論文の概要: The Post Double LASSO for Efficiency Analysis

• arxiv url: http://arxiv.org/abs/2505.14282v1
• Date: Tue, 20 May 2025 12:32:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:53.17239
• Title: The Post Double LASSO for Efficiency Analysis
• Title（参考訳）: 効率解析のためのポストダブルLASSO
• Authors: Christopher Parmeter, Artem Prokhorov, Valentin Zelenyuk,
• Abstract要約: 大規模な(全体的な)データの可用性が、非効率性の検出をより困難にしていることを示す。 次に、機械学習手法を用いて、フロンティア自体のプリミティブを適切に推定する方法を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Big data and machine learning methods have become commonplace across economic milieus. One area that has not seen as much attention to these important topics yet is efficiency analysis. We show how the availability of big (wide) data can actually make detection of inefficiency more challenging. We then show how machine learning methods can be leveraged to adequately estimate the primitives of the frontier itself as well as inefficiency using the `post double LASSO' by deriving Neyman orthogonal moment conditions for this problem. Finally, an application is presented to illustrate key differences of the post-double LASSO compared to other approaches.
• Abstract（参考訳）: ビッグデータと機械学習の手法は、経済的な不安の中で一般的になっている。 これらの重要なトピックにまだあまり注目していない分野の1つは、効率分析である。 大規模な(全体的な)データの可用性が、非効率性の検出をより困難にしていることを示す。 次に,この問題に対してNeyman直交モーメント条件を導出することにより,機械学習手法を用いてフロンティア自体のプリミティブを適切に推定し,かつ 'post double LASSO' を用いて非効率性を評価できることを示す。 最後に、他のアプローチと比較して、後2倍のLASSOの重要な違いを示すアプリケーションを示す。

関連論文リスト

• Active Learning Methods for Efficient Data Utilization and Model Performance Enhancement [5.4044723481768235]
  本稿では,より少ないラベル付き例を用いてモデルの性能向上を支援する機械学習の戦略である,アクティブラーニング(AL)の概要を紹介する。 ALの基本概念を導入し、コンピュータビジョン、自然言語処理、トランスファーラーニング、実世界のアプリケーションなど、様々な分野でどのように使われているかについて議論する。
  論文  参考訳（メタデータ） (2025-04-21T20:42:13Z)
• When Does Visual Prompting Outperform Linear Probing for Vision-Language Models? A Likelihood Perspective [57.05315507519704]
  本稿では,視覚的プロンプトと線形探索の利点を比較分析するために,ログ類似率(LLR)アプローチを提案する。 本測定は,最大で100倍の時間短縮が可能であり,予測精度は最大91%に達する。
  論文  参考訳（メタデータ） (2024-09-03T12:03:45Z)
• Towards Effective Evaluations and Comparisons for LLM Unlearning Methods [97.2995389188179]
  本稿では,大規模言語モデルにおける機械学習評価の精度向上を図る。 評価指標の堅牢性と、競合する目標間のトレードオフという、2つの重要な課題に対処します。
  論文  参考訳（メタデータ） (2024-06-13T14:41:00Z)
• On the Effects of Data Heterogeneity on the Convergence Rates of Distributed Linear System Solvers [9.248526557884498]
  本稿では,タスクマスターと機械の集合によって分散的あるいは連合的に線形方程式の大規模系を解く問題を考察する。 我々は、この問題を解決するためによく知られたアルゴリズムの2つのクラス、すなわち射影法と最適化法を比較した。
  論文  参考訳（メタデータ） (2023-04-20T20:48:00Z)
• A Survey of Methods, Challenges and Perspectives in Causality [11.238098505498165]
  我々は様々な観点から因果関係の理論と手法を概観する。 フィールドをまとめようという初期の試みと、将来の展望を示します。
  論文  参考訳（メタデータ） (2023-02-01T07:47:26Z)
• On Modality Bias Recognition and Reduction [70.69194431713825]
  マルチモーダル分類の文脈におけるモダリティバイアス問題について検討する。 本稿では,各ラベルの特徴空間を適応的に学習するプラグアンドプレイ損失関数法を提案する。 本手法は, ベースラインに比べ, 顕著な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-02-25T13:47:09Z)
• Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
  暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。 ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。 本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-11T03:38:16Z)
• Overcoming the curse of dimensionality with Laplacian regularization in semi-supervised learning [80.20302993614594]
  ラプラシア正規化の欠点を克服するための統計的解析を提供する。 望ましい振る舞いを示すスペクトルフィルタリング法を多数発表する。 我々は,本手法を大量のデータで利用できるようにするために,現実的な計算ガイドラインを提供する。
  論文  参考訳（メタデータ） (2020-09-09T14:28:54Z)
• A Survey on Large-scale Machine Learning [67.6997613600942]
  機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。 ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。 大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
  論文  参考訳（メタデータ） (2020-08-10T06:07:52Z)

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。