論文の概要: Imputation-Powered Inference

• arxiv url: http://arxiv.org/abs/2509.13778v1
• Date: Wed, 17 Sep 2025 07:48:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.767864
• Title: Imputation-Powered Inference
• Title（参考訳）: インプット駆動推論
• Abstract要約: Imputation-powered Inference (IPI) は、ブラックボックス計算の柔軟性と、完全に観測されたデータを用いたバイアス補正を組み合わせたモデルリーンフレームワークである。 IPIは、二重頑健な推定値とナイーブな計算値の両方が名目的カバレッジを達成できない設定において、統計的妥当性を維持しながら、完全ケース分析と比較して、サブポピュレーション効率を大幅に改善する可能性がある。
• 参考スコア（独自算出の注目度）: 2.676349883103404
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern multi-modal and multi-site data frequently suffer from blockwise missingness, where subsets of features are missing for groups of individuals, creating complex patterns that challenge standard inference methods. Existing approaches have critical limitations: complete-case analysis discards informative data and is potentially biased; doubly robust estimators for non-monotone missingness-where the missingness patterns are not nested subsets of one another-can be theoretically efficient but lack closed-form solutions and often fail to scale; and blackbox imputation can leverage partially observed data to improve efficiency but provides no inferential guarantees when misspecified. To address the limitations of these existing methods, we propose imputation-powered inference (IPI), a model-lean framework that combines the flexibility of blackbox imputation with bias correction using fully observed data, drawing on ideas from prediction-powered inference and semiparametric inference. IPI enables valid and efficient M-estimation under missing completely at random (MCAR) blockwise missingness and improves subpopulation inference under a weaker assumption we formalize as first-moment MCAR, for which we also provide practical diagnostics. Simulation studies and a clinical application demonstrate that IPI may substantially improve subpopulation efficiency relative to complete-case analysis, while maintaining statistical validity in settings where both doubly robust estimators and naive imputation fail to achieve nominal coverage.
• Abstract（参考訳）: 現代のマルチモーダルデータやマルチサイトデータは、個人のグループに機能のサブセットが欠落しているブロックワイドな欠如にしばしば悩まされ、標準的な推論手法に挑戦する複雑なパターンを生み出します。 既存のアプローチには限界がある: 完全ケース分析は情報的データを捨て、バイアスを受ける可能性がある; 非単調な欠落に対する2倍の頑健な推定器 欠落パターンが互いにネストしたサブセットではない場合 理論的には効率的だが、閉形式解が欠如し、しばしばスケールできない; ブラックボックス計算は部分的に観測されたデータを利用して効率を向上するが、誤特定時には推論保証は提供されない。 これらの既存手法の限界に対処するため,予測型推論と半パラメトリック推論のアイデアに基づいて,ブラックボックス計算の柔軟性と偏差補正の柔軟性を結合したモデルリーンフレームワークであるインパルス型推論(IPI)を提案する。 IPIは、完全にランダム(MCAR)なブロックワイドな欠損下での有効かつ効率的なM推定を可能にし、第1モーメントMCARとして形式化した弱い仮定の下で、サブポピュレーション推定を改善し、実用的な診断も提供する。 シミュレーション研究と臨床応用により、IPIは2つの頑健な推定値とナイーブな計算値の両方が名目的カバレッジを達成できない状況下で、統計的妥当性を維持しながら、完全なケース分析と比較して、サブポピュレーション効率を著しく向上させることができることが示された。

関連論文リスト

• Distributionally Faithful Imputation via Positive Semi-Definite Kernel Density Estimation [55.47411235954028]
  マスク観測による密度推定では,不規則に不規則に不規則な計算を行う。 我々は,ニュートン内点法で解ける閉じた形状の辺縁を持つ凸型経験的リスク問題を得る。 結果のPSDインプットモデルでは、同一の入射密度から単一および多重インプットが得られる。
  論文  参考訳（メタデータ） (2026-07-08T15:51:05Z)
• Set-Inclusive Uncertainty Modeling for Robust Brain Tumor Segmentation [17.88630413987641]
  本稿では,表現をガウス分布としてモデル化する確率的表現フレームワークを提案する。 我々は,各部分構成の平均値をその完全モダリティに対して正規化するとともに,その整列手段間の差分をスケールする。 BraTS 2018と2020の実験では、さまざまな欠落したモダリティシナリオに対して、私たちのアプローチがベースラインよりも優れたパフォーマンスを提供します。
  論文  参考訳（メタデータ） (2026-06-29T14:35:55Z)
• PRA-PoE: Robust Multimodal Alzheimer's Diagnosis with Arbitrary Missing Modalities [9.014577470296013]
  現実のアルツハイマー病(AD)の評価では、欠落のモダリティが一般的である。 暗黙の計算やモダリティ合成に依存する既存のアプローチは、しばしばモダリティの可用性と不確実性を明示的にモデル化することができない。 本稿では,PRA(Prototype-anchored Representation Alignment)とUA-PoE(Uncertainty-aware Product of Experts)の融合機構を提案する。
  論文  参考訳（メタデータ） (2026-05-13T06:54:21Z)
• Non-Parametric Rehearsal Learning via Conditional Mean Embeddings [88.89267783967263]
  本研究では,不必要な未来(AUF)問題をテキスト化するための非パラメトリックリハーサル学習手法を提案する。 具体的には、カーネル機械を用いてAUFの目的を、動作誘起分布変化から所望性モデリングを遠ざける統一表現に再構成する。
  論文  参考訳（メタデータ） (2026-05-09T15:30:52Z)
• Transcendental Regularization of Finite Mixtures:Theoretical Guarantees and Practical Limitations [0.0]
  本稿では,効率を保ちながら退化を防止できる分析バリア機能を備えた,超越正則化(transcendental regularization)を提案する。 我々の研究は、オープンソースのRパッケージで実装された、新しい理論フレームワークと実用的な制限の正直な評価の両方を提供する。
  論文  参考訳（メタデータ） (2026-02-03T05:12:14Z)
• ProbFM: Probabilistic Time Series Foundation Model with Uncertainty Decomposition [0.12489632787815884]
  Time Series Foundation Models (TSFMs) はゼロショット財務予測のための有望なアプローチとして登場した。 現在のアプローチでは、制限的な分布仮定に依存したり、異なる不確実性の源を詳述したり、原則化された校正機構が欠如している。 本稿では,Deep Evidential Regression (DER) を利用した変圧器を用いた新しい確率的フレームワーク ProbFM を提案する。
  論文  参考訳（メタデータ） (2026-01-15T17:02:06Z)
• A Unified Framework for Inference with General Missingness Patterns and Machine Learning Imputation [12.817707155207817]
  本稿では,一般的なZ推定問題に対して有効な統計的推論フレームワークを提供する新しい手法を提案する。 提案した推定器の正規性の理論的保証と重み付き完全ケース解析に対する効率優位性を提供する。
  論文  参考訳（メタデータ） (2025-08-21T01:59:59Z)
• Principled Input-Output-Conditioned Post-Hoc Uncertainty Estimation for Regression Networks [1.4671424999873808]
  不確実性は安全性に敏感なアプリケーションでは重要であるが、予測性能に悪影響を及ぼすため、市販のニューラルネットワークから排除されることが多い。 本稿では,従来の入力と凍結モデルの両方に補助モデルを適用することにより,回帰タスクにおけるポストホック不確実性推定のための理論的基盤となるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-01T09:13:27Z)
• Theoretical Insights in Model Inversion Robustness and Conditional Entropy Maximization for Collaborative Inference Systems [89.35169042718739]
  協調推論により、クラウドサーバに機密データを公開することなく、エンドユーザは強力なディープラーニングモデルを活用することができる。 近年の研究では、これらの中間機能は、情報が漏洩し、生データをモデル反転攻撃(MIA)によって再構築できるため、プライバシーを十分に保持できないことが判明している。 この研究はまず、与えられた中間特徴の入力の条件エントロピーが、任意のMIAの下での再構成平均二乗誤差(MSE)の保証された下界を与えることを理論的に証明する。 そして、ガウス混合推定に基づいて、この条件付きエントロピーを有界化するための微分可能かつ可解な尺度を導出し、逆ロバスト性を高める条件付きエントロピーアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-01T07:15:21Z)
• Bridging Internal Probability and Self-Consistency for Effective and Efficient LLM Reasoning [53.25336975467293]
  パープレキシティや自己整合性などの手法の第一理論誤差分解解析について述べる。 パープレキシティ法は、適切な整合関数が存在しないため、かなりのモデル誤差に悩まされる。 本稿では、自己整合性とパープレキシティを統合したReasoning-Pruning Perplexity Consistency(RPC)と、低確率推論経路を排除したReasoning Pruningを提案する。
  論文  参考訳（メタデータ） (2025-02-01T18:09:49Z)
• On the Role of Surrogates in Conformal Inference of Individual Causal Effects [0.0]
  UnderlineEfficient IunderlineNdividual UnderlineCausal UnderlineEffects (SCIENCE) に対する UnderlineSurrogate-assisted Underline Conformal Underline Inference を導入する。 SCIENCEは、個々の治療効果(ITE)に対してより効率的な予測間隔を構築するために設計されたフレームワークである。 これは第3相であるModerna COVE COVID-19ワクチンの臨床試験に適用される。
  論文  参考訳（メタデータ） (2024-12-16T21:36:11Z)
• Preference-Based Multi-Agent Reinforcement Learning: Data Coverage and Algorithmic Techniques [65.55451717632317]
  PbMARL(Preference-based Multi-Agent Reinforcement Learning)について検討する。 一般ゲームにおける嗜好のみのオフラインデータセットからナッシュ平衡を同定する。 以上の結果から,PbMARLの多面的アプローチが示唆された。
  論文  参考訳（メタデータ） (2024-09-01T13:14:41Z)
• Flexible Nonparametric Inference for Causal Effects under the Front-Door Model [2.6900047294457683]
  本研究では, 平均治療効果, 平均治療効果の両面から, 新規な1段階, 目標最小損失ベース推定装置を開発した。 我々の推定器は観測されたデータ分布のパラメータ化に基づいて構築され、メディエータ密度を完全に回避するアプローチを含む。 因果効果推定器の効率を向上させるためにこれらの制約をどのように活用できるかを示す。
  論文  参考訳（メタデータ） (2023-12-15T22:04:53Z)
• 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)
• Pessimistic Minimax Value Iteration: Provably Efficient Equilibrium Learning from Offline Datasets [101.5329678997916]
  両プレイヤーゼロサムマルコフゲーム(MG)をオフライン環境で研究する。 目標は、事前収集されたデータセットに基づいて、近似的なナッシュ均衡(NE)ポリシーペアを見つけることである。
  論文  参考訳（メタデータ） (2022-02-15T15:39:30Z)
• On the Practicality of Deterministic Epistemic Uncertainty [106.06571981780591]
  決定論的不確実性法(DUM)は,分布外データの検出において高い性能を達成する。 DUMが十分に校正されており、現実のアプリケーションにシームレスにスケールできるかどうかは不明だ。
  論文  参考訳（メタデータ） (2021-07-01T17:59:07Z)

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。