論文の概要: Wrong Model, Right Uncertainty: Spatial Associations for Discrete Data with Misspecification

• arxiv url: http://arxiv.org/abs/2509.01776v1
• Date: Mon, 01 Sep 2025 21:22:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.839798
• Title: Wrong Model, Right Uncertainty: Spatial Associations for Discrete Data with Misspecification
• Title（参考訳）: 誤りモデル, 正しい不確実性: 離散データと誤識別のための空間的関連性
• Authors: David R. Burt, Renato Berlinghieri, Tamara Broderick,
• Abstract要約: 本研究では,空間的に変化する雑音の処理方法を示し,提案した推定器の整合性を示す。 標準アプローチが信頼できない信頼区間を生じさせ、連想のサインを間違えることさえ可能なことを実証的に示す。
• 参考スコア（独自算出の注目度）: 9.924172280147625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientists are often interested in estimating an association between a covariate and a binary- or count-valued response. For instance, public health officials are interested in how much disease presence (a binary response per individual) varies as temperature or pollution (covariates) increases. Many existing methods can be used to estimate associations, and corresponding uncertainty intervals, but make unrealistic assumptions in the spatial domain. For instance, they incorrectly assume models are well-specified. Or they assume the training and target locations are i.i.d. -- whereas in practice, these locations are often not even randomly sampled. Some recent work avoids these assumptions but works only for continuous responses with spatially constant noise. In the present work, we provide the first confidence intervals with guaranteed asymptotic nominal coverage for spatial associations given discrete responses, even under simultaneous model misspecification and nonrandom sampling of spatial locations. To do so, we demonstrate how to handle spatially varying noise, provide a novel proof of consistency for our proposed estimator, and use a delta method argument with a Lyapunov central limit theorem. We show empirically that standard approaches can produce unreliable confidence intervals and can even get the sign of an association wrong, while our method reliably provides correct coverage.
• Abstract（参考訳）: 科学者はしばしば、共変量と二分数または数え値の反応の関連を推定することに興味がある。 例えば、公衆衛生当局が関心を持っているのは、温度や汚染(共変量)が増加するにつれて、病気の存在(個人毎のバイナリ応答)がどの程度変化するかである。 多くの既存の手法は、関連やそれに対応する不確実区間を推定するために用いられるが、空間領域において非現実的な仮定を行う。 例えば、モデルが適切に特定されていると誤って仮定する。 あるいは、トレーニングとターゲットの場所がi.d.であると仮定するが、実際には、これらの場所はランダムにサンプリングされることさえない。 いくつかの最近の研究はこれらの仮定を避けているが、空間的に一定の雑音を持つ連続応答に対してのみ機能する。 本研究は,空間的位置の非ランダムサンプリングとモデルミス特定を同時に行う場合であっても,個別の応答が与えられた空間的関連に対して,漸近的名目カバレッジが保証された最初の信頼区間を提供する。 そこで我々は,空間的に変化する雑音に対処する方法を実証し,提案した推定器に新しい一貫性の証明を与えるとともに,リアプノフ中心極限定理を用いたデルタ法引数を用いる。 我々は,標準手法が信頼できない信頼区間を生じさせ,相関のサインを間違えることさえ可能なことを実証的に示し,その方法が正しいカバレッジを確実に提供することを示す。

関連論文リスト

• Smooth Sailing: Lipschitz-Driven Uncertainty Quantification for Spatial Association [26.063765269659076]
  協会の推定は環境科学、疫学、経済学の中心である。 本研究では,空間的環境下での関連性に対して,有効かつ頻繁な信頼区間を構築する手法を提案する。 我々のアプローチは、この設定における名目上のカバレッジを保証し、実・模擬両方の実験において既存の技術より優れています。
  論文  参考訳（メタデータ） (2025-02-09T23:20:03Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Simultaneous Inference for Local Structural Parameters with Random Forests [19.014535120129338]
  我々は条件モーメント方程式の解に対する同時信頼区間を構築する。 我々は高次元U.S.の濃度と正規近似に関する新しい順序抽出結果を得た。 副産物として、高次元U.S.の濃度と正規近似に関するいくつかの新しい順序抽出結果を得る。
  論文  参考訳（メタデータ） (2024-05-13T15:46:11Z)
• Mitigating LLM Hallucinations via Conformal Abstention [70.83870602967625]
  我々は,大言語モデルが一般ドメインでの応答をいつ無視すべきかを決定するための,原則化された手順を開発する。 我々は、幻覚率(エラー率)の厳密な理論的保証の恩恵を受けるため、共形予測手法を活用して、禁忌手順を開発する。 実験によって得られた共形禁忌法は, 種々の閉書, オープンドメイン生成質問応答データセットに, 幻覚率を確実に拘束する。
  論文  参考訳（メタデータ） (2024-04-04T11:32:03Z)
• 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)
• Model-Agnostic Covariate-Assisted Inference on Partially Identified Causal Effects [1.9253333342733674]
  多くの因果推定値は、潜在的な結果間の観測不能な関節分布に依存するため、部分的にしか識別できない。 本研究では,部分的同定された推定値の広いクラスに対して,統一的かつモデルに依存しない推論手法を提案する。
  論文  参考訳（メタデータ） (2023-10-12T08:17:30Z)
• Uncertainty Estimates of Predictions via a General Bias-Variance Decomposition [7.811916700683125]
  本稿では,適切なスコアに対するバイアス分散分解を導入し,分散項としてブレグマン情報を導出する。 モデルアンサンブルや信頼領域を含む下流タスクにおけるこの分解の実践的妥当性を示す。
  論文  参考訳（メタデータ） (2022-10-21T21:24:37Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• Tracking disease outbreaks from sparse data with Bayesian inference [55.82986443159948]
  新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。 標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。 原理的に部分観測可能なベイズ的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-09-12T20:37:33Z)

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。