Fugu-MT 論文翻訳(概要): A new and flexible class of sharp asymptotic time-uniform confidence sequences

論文の概要: A new and flexible class of sharp asymptotic time-uniform confidence sequences

arxiv url: http://arxiv.org/abs/2502.10380v1
Date: Fri, 14 Feb 2025 18:57:16 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-17 14:44:50.926521
Title: A new and flexible class of sharp asymptotic time-uniform confidence sequences
Title（参考訳）: 急激な漸近的時間一様信頼配列の新しいフレキシブルなクラス
Authors: Felix Gnettner, Claudia Kirch,
Abstract要約: 古典統計学のように、信頼性シーケンスは高レベルの仮定カバレッジが達成されることを示す非パラメトリックツールである。軽度の仮定の下で、鋭い時間一様信頼系列を生成する新しいフレキシブルな信頼系列のクラスを提案する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Confidence sequences are anytime-valid analogues of classical confidence intervals that do not suffer from multiplicity issues under optional continuation of the data collection. As in classical statistics, asymptotic confidence sequences are a nonparametric tool showing under which high-level assumptions asymptotic coverage is achieved so that they also give a certain robustness guarantee against distributional deviations. In this paper, we propose a new flexible class of confidence sequences yielding sharp asymptotic time-uniform confidence sequences under mild assumptions. Furthermore, we highlight the connection to corresponding sequential testing problems and detail the underlying limit theorem.
Abstract（参考訳）: 信頼シーケンスは、任意のデータ収集の継続の下で多重性の問題に悩まされない古典的信頼区間の任意の値のアナログである。古典統計学のように、漸近的信頼シーケンスは、高レベルの漸近的カバレッジが達成される非パラメトリックなツールであり、分布的偏差に対して一定の堅牢性を保証する。本稿では,軽度仮定の下で急激な漸近的時間不均一な信頼系列を生成する新しいフレキシブルな信頼系列を提案する。さらに、対応する逐次テスト問題との関係を強調し、基礎となる極限定理を詳述する。

関連論文リスト

Statistical Inference for Temporal Difference Learning with Linear Function Approximation [62.69448336714418]
The consistency properties of TD learning with Polyak-Ruppert averaging and linear function approximation。まず、分散に明示的に依存し、弱い条件下で保持する新しい高次元確率収束保証を導出する。さらに、文献よりも高速な速度を保証する凸集合のクラスに対して、洗練された高次元ベリー-エッセイン境界を確立する。
論文参考訳（メタデータ） (2024-10-21T15:34:44Z)
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)
Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
論文参考訳（メタデータ） (2023-10-25T02:37:51Z)
Binary Classification with Confidence Difference [100.08818204756093]
本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
論文参考訳（メタデータ） (2023-10-09T11:44:50Z)
Robust Independence Tests with Finite Sample Guarantees for Synchronous Stochastic Linear Systems [0.0]
線形時間不変系に対する非漸近的に保証された重要度を持つ頑健な独立性試験を提案する。我々の手法は、分布のないタイプIの誤差確率の有界性、すなわち、革新は任意の分布を持つことができる。
論文参考訳（メタデータ） (2023-08-03T21:13:34Z)
When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
論文参考訳（メタデータ） (2023-07-06T04:13:57Z)
Huber-Robust Confidence Sequences [37.16361789841549]
信頼シーケンスは、逐次追跡可能な信頼区間であり、任意のデータ依存の停止時間で有効である。非逐次的設定で達成された最適幅を達成するために,結果の信頼性シーケンスが得られたことを示す。信頼シーケンスは、A/B/nテストやバンドイットで使用される一般的なツールであるため、これらの結果は、外れ値や敵の腐敗に対して堅牢なシーケンシャルな実験への扉を開く。
論文参考訳（メタデータ） (2023-01-23T17:29:26Z)
Near-Optimal Non-Parametric Sequential Tests and Confidence Sequences with Possibly Dependent Observations [44.71254888821376]
我々は、一般的な非データ生成プロセスの下で、最初のタイプIエラーと予測リジェクション時間保証を提供する。本研究では, 平均処理効果など, 方程式を推定することによって定義されるパラメータの推測に, 結果を適用する方法を示す。
論文参考訳（メタデータ） (2022-12-29T18:37:08Z)
Off-policy Confidence Sequences [33.749904615295485]
文脈的バンディット設定において,オフポリシー評価に一定時間をかけて保持する信頼度境界を開発する。計算効率と統計効率のバランスを良くする信頼度列を計算するためのアルゴリズムを提供する。
論文参考訳（メタデータ） (2021-02-18T18:40:30Z)
Asymptotics of the Empirical Bootstrap Method Beyond Asymptotic Normality [25.402400996745058]
実験的なブートストラップ推定器の限界分布は, 安定条件下では一定であることを示す。本稿では,ブートストラップ法を用いて,カバレッジ保証付き信頼区間を構築するための3つの方法を提案する。
論文参考訳（メタデータ） (2020-11-23T07:14:30Z)
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)

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。