論文の概要: Admissibility of Completely Randomized Trials: A Large-Deviation Approach

• arxiv url: http://arxiv.org/abs/2506.05329v1
• Date: Thu, 05 Jun 2025 17:58:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.893889
• Title: Admissibility of Completely Randomized Trials: A Large-Deviation Approach
• Title（参考訳）: 完全ランダム化試験の許容性:大規模決定法
• Authors: Guido Imbens, Chao Qin, Stefan Wager,
• Abstract要約: 治療用アームが少なくとも3つあるときはいつでも、適応的でない完全にランダムな試行を普遍的かつ厳密に支配するシンプルな適応型設計が存在することが分かる。 この優位性は、実験サンプルが大きい場合に設計の統計的効率を定量化する効率指数と呼ばれる概念によって特徴づけられる。
• 参考スコア（独自算出の注目度）: 4.970364068620608
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When an experimenter has the option of running an adaptive trial, is it admissible to ignore this option and run a non-adaptive trial instead? We provide a negative answer to this question in the best-arm identification problem, where the experimenter aims to allocate measurement efforts judiciously to confidently deploy the most effective treatment arm. We find that, whenever there are at least three treatment arms, there exist simple adaptive designs that universally and strictly dominate non-adaptive completely randomized trials. This dominance is characterized by a notion called efficiency exponent, which quantifies a design's statistical efficiency when the experimental sample is large. Our analysis focuses on the class of batched arm elimination designs, which progressively eliminate underperforming arms at pre-specified batch intervals. We characterize simple sufficient conditions under which these designs universally and strictly dominate completely randomized trials. These results resolve the second open problem posed in Qin [2022].
• Abstract（参考訳）: 実験者が適応トライアルを行うオプションがある場合、このオプションを無視して、代わりに非適応トライアルを実行することは許容できますか? 実験者は,最も有効な治療アームを確実に展開するために,測定努力を巧みに割り当てることを目的としたベストアーム識別問題において,この問題に対する否定的な回答を提供する。 治療用アームが少なくとも3つあるときはいつでも、適応的でない完全にランダムな試行を普遍的かつ厳密に支配するシンプルな適応型設計が存在することが分かりました。 この優位性は、実験サンプルが大きい場合に設計の統計的効率を定量化する効率指数と呼ばれる概念によって特徴づけられる。 本分析では, 予め特定したバッチ間隔において, 性能の低いアームを段階的に除去する, バッチアーム除去設計のクラスに着目した。 これらの設計が完全にランダム化された試行を普遍的かつ厳密に支配する単純な十分条件を特徴付ける。 これらの結果は、Qin[2022]で提起された第2の開問題を解決する。

関連論文リスト

• Simulation-Based Inference for Adaptive Experiments [38.841210420855276]
  マルチアームバンディットの実験的な設計は、標準的なランダム化試験よりもますます採用されている。 そこで本研究では,腕特定手段の仮説テストと信頼区間構築のためのシミュレーションに基づくアプローチを提案する。 以上の結果から,提案手法は,設計対象でない腕の大幅な改善を図りながら,信頼性区間幅を最大50%削減し,所望のカバレッジを達成できることが示唆された。
  論文  参考訳（メタデータ） (2025-06-03T13:46:59Z)
• Optimal Adaptive Experimental Design for Estimating Treatment Effect [14.088972921434761]
  本稿では,治療効果を推定する際の最適精度を決定するための基本的な問題に対処する。 二重ロバストな手法の概念を逐次実験設計に取り入れることで、最適推定問題をオンラインバンディット学習問題としてモデル化する。 本稿では,バンディットアルゴリズム設計と適応統計的推定の両方のツールとアイデアを用いて,一般的な低スイッチング適応実験フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-07T23:22:51Z)
• Adaptive Experimentation When You Can't Experiment [55.86593195947978]
  本稿では,Emphcon founded the pure exploration transductive linear bandit (textttCPET-LB) problem。 オンラインサービスは、ユーザーを特定の治療にインセンティブを与える、適切にランダム化された励ましを利用することができる。
  論文  参考訳（メタデータ） (2024-06-15T20:54:48Z)
• Optimizing Adaptive Experiments: A Unified Approach to Regret Minimization and Best-Arm Identification [9.030753181146176]
  実験内性能と実験後の成果を同時に考慮した統一モデルを提案する。 実験期間の大幅な短縮は、実験内および実験後の後悔の両方に最小限の影響を伴って達成できることが示されている。
  論文  参考訳（メタデータ） (2024-02-16T11:27:48Z)
• Best Arm Identification with Fixed Budget: A Large Deviation Perspective [54.305323903582845]
  我々は、様々な武器の報酬間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。 特に、様々な武器の報酬の間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。
  論文  参考訳（メタデータ） (2023-12-19T13:17:43Z)
• MetaRF: Differentiable Random Forest for Reaction Yield Prediction with a Few Trails [58.47364143304643]
  本稿では,反応収率予測問題に焦点をあてる。 筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。 数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
  論文  参考訳（メタデータ） (2022-08-22T06:40:13Z)
• Adaptive Experimentation in the Presence of Exogenous Nonstationary Variation [10.66863856524397]
  マルチアームバンディットアルゴリズムは、ハイパフォーマンスなアームへの計測作業を動的に割り当てることで効率を向上させることができる。 我々は、トンプソンサンプリングアルゴリズムのより堅牢な変種である、分解されたトンプソンサンプリング(DTS)を提案する。 一般的な高信頼度有界アルゴリズムのデコンストラクタが完全にフェール可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-18T06:09:04Z)
• Saliency Grafting: Innocuous Attribution-Guided Mixup with Calibrated Label Mixing [104.630875328668]
  ミックスアップスキームは、強化されたトレーニングサンプルを作成するために、サンプルのペアを混ぜることを提案する。 両世界のベストを捉えた、斬新だがシンプルなミックスアップ版を提示する。
  論文  参考訳（メタデータ） (2021-12-16T11:27:48Z)
• Robust Sampling in Deep Learning [62.997667081978825]
  ディープラーニングは、オーバーフィッティングを減らし、一般化を改善するために正規化メカニズムを必要とする。 分散ロバスト最適化に基づく新しい正規化手法によりこの問題に対処する。 トレーニング中は、最悪のサンプルが最適化に最も貢献するものであるように、その正確性に応じてサンプルの選択が行われる。
  論文  参考訳（メタデータ） (2020-06-04T09:46:52Z)

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。