論文の概要: Prediction-Powered E-Values

• arxiv url: http://arxiv.org/abs/2502.04294v1
• Date: Thu, 06 Feb 2025 18:36:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-07 14:33:26.630948
• Title: Prediction-Powered E-Values
• Title（参考訳）: 予測駆動型E値
• Authors: Daniel Csillag, Claudio José Struchiner, Guilherme Tegoni Goedert,
• Abstract要約: 予測型推論のアイデアをe-valueに適用する。 e-values でフレーム化できるすべての推論手順には予測機能があることを示す。 私たちのアプローチはモジュール化されており、既存のアルゴリズムに簡単に統合できます。
• 参考スコア（独自算出の注目度）: 0.66567375919026
• License:
• Abstract: Quality statistical inference requires a sufficient amount of data, which can be missing or hard to obtain. To this end, prediction-powered inference has risen as a promising methodology, but existing approaches are largely limited to Z-estimation problems such as inference of means and quantiles. In this paper, we apply ideas of prediction-powered inference to e-values. By doing so, we inherit all the usual benefits of e-values -- such as anytime-validity, post-hoc validity and versatile sequential inference -- as well as greatly expand the set of inferences achievable in a prediction-powered manner. In particular, we show that every inference procedure that can be framed in terms of e-values has a prediction-powered counterpart, given by our method. We showcase the effectiveness of our framework across a wide range of inference tasks, from simple hypothesis testing and confidence intervals to more involved procedures for change-point detection and causal discovery, which were out of reach of previous techniques. Our approach is modular and easily integrable into existing algorithms, making it a compelling choice for practical applications.
• Abstract（参考訳）: 品質統計的推論には十分な量のデータが必要です。 この目的のために、予測駆動推論は有望な手法として上昇してきたが、既存のアプローチは、手段や量子の推測のようなZ推定の問題に大きく制限されている。 本稿では,予測型推論のアイデアをe値に適用する。 そうすることで、常に正当性、ポストホック妥当性、多元的逐次推論といった、e値の通常の利点を継承し、予測力のある方法で達成可能な推論のセットを大きく拡大します。 特に,e-values でフレーム化できるすべての推論手順が,この手法によって与えられる予測機能を持つことを示す。 提案手法は, 単純な仮説テストや信頼区間から, 従来の手法に及ばない変化点検出や因果発見の手順まで, 幅広い推論作業において, フレームワークの有効性を実証する。 私たちのアプローチはモジュール化されており、既存のアルゴリズムに簡単に統合できます。

関連論文リスト

• Conformal Inference of Individual Treatment Effects Using Conditional Density Estimates [3.7307776333361122]
  現在の最先端のアプローチは、有効な予測間隔を提供する一方で、しばしば過度に保守的な予測間隔をもたらす。 本研究では,結果の条件密度を用いたITEに対する共形推論手法を提案する。 予測間隔は, 限界的に有効であるだけでなく, 既存の手法よりも狭いことを示す。
  論文  参考訳（メタデータ） (2025-01-24T21:46:37Z)
• Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。 我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• Conformal Counterfactual Inference under Hidden Confounding [19.190396053530417]
  反ファクトの世界における潜在的な結果の予測と不確実性は、因果推論における因果的問題を引き起こす。 反事実に対する信頼区間を構成する既存の方法は、強い無知の仮定に依存する。 提案手法は, 限界収束保証付き実測結果に対する信頼区間を提供するトランスダクティブ重み付き共形予測に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-05-20T21:43:43Z)
• Efficient Conformal Prediction under Data Heterogeneity [79.35418041861327]
  コンフォーマル予測(CP)は不確実性定量化のための頑健な枠組みである。 非交換性に対処するための既存のアプローチは、最も単純な例を超えて計算不可能なメソッドにつながる。 この研究は、比較的一般的な非交換可能なデータ分布に対して証明可能な信頼セットを生成する、CPに新しい効率的なアプローチを導入する。
  論文  参考訳（メタデータ） (2023-12-25T20:02:51Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Conformal Off-Policy Prediction in Contextual Bandits [54.67508891852636]
  コンフォーマルなオフ政治予測は、新しい目標ポリシーの下で、結果に対する信頼できる予測間隔を出力することができる。 理論上の有限サンプル保証は、標準的な文脈的バンディットの設定を超える追加の仮定をすることなく提供する。
  論文  参考訳（メタデータ） (2022-06-09T10:39:33Z)
• Predictive Inference with Weak Supervision [3.1925030748447747]
  コンフォメーション予測フレームワークを開発することにより,部分監督と検証のギャップを埋める。 我々は、新しいカバレッジと予測妥当性の概念を導入し、いくつかのアプリケーションシナリオを開発します。 我々は、新しいカバレッジ定義がより厳密で情報的な(しかし有効な)信頼セットを可能にするという仮説を裏付ける。
  論文  参考訳（メタデータ） (2022-01-20T17:26:52Z)
• CoinDICE: Off-Policy Confidence Interval Estimation [107.86876722777535]
  強化学習における高信頼行動非依存のオフ政治評価について検討する。 様々なベンチマークにおいて、信頼区間推定が既存の手法よりも厳密で精度が高いことが示されている。
  論文  参考訳（メタデータ） (2020-10-22T12:39:11Z)
• GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
  重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。 我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。 結果として得られるアルゴリズム、GenDICEは単純で効果的である。
  論文  参考訳（メタデータ） (2020-02-21T00:27:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。