論文の概要: Blockwise Missingness meets AI: A Tractable Solution for Semiparametric Inference
- arxiv url: http://arxiv.org/abs/2509.24158v1
- Date: Mon, 29 Sep 2025 01:17:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-30 22:32:19.66969
- Title: Blockwise Missingness meets AI: A Tractable Solution for Semiparametric Inference
- Title（参考訳）: 半パラメトリック推論のためのトラクタブルソリューション「Blockwise Missingness」
- Authors: Qi Xu, Lorenzo Testa, Jing Lei, Kathryn Roeder,
- Abstract要約: 我々は,データの特徴がブロックワイドで非単調な場合のパラメータ推定と推定について考察する。
我々のアプローチは半パラメトリック理論に根ざし、予測による推論にインスパイアされ、既成のAI(予測的または生成的)モデルを活用して、完全にランダムなメカニズムで処理する。
- 参考スコア（独自算出の注目度）: 22.72439408201187
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider parameter estimation and inference when data feature blockwise, non-monotone missingness. Our approach, rooted in semiparametric theory and inspired by prediction-powered inference, leverages off-the-shelf AI (predictive or generative) models to handle missing completely at random mechanisms, by finding an approximation of the optimal estimating equation through a novel and tractable Restricted Anova hierarchY (RAY) approximation. The resulting Inference for Blockwise Missingness(RAY), or IBM(RAY) estimator incorporates pre-trained AI models and carefully controls asymptotic variance by tuning model-specific hyperparameters. We then extend IBM(RAY) to a general class of estimators. We find the most efficient estimator in this class, which we call IBM(Adaptive), by solving a constrained quadratic programming problem. All IBM estimators are unbiased, and, crucially, asymptotically achieving guaranteed efficiency gains over a naive complete-case estimator, regardless of the predictive accuracy of the AI models used. We demonstrate the finite-sample performance and numerical stability of our method through simulation studies and an application to surface protein abundance estimation.
- Abstract（参考訳）: 我々は,データの特徴がブロックワイドで非単調な場合のパラメータ推定と推定について考察する。
我々のアプローチは、半パラメトリック理論に根ざし、予測による推論にインスパイアされ、未知のAI(予測的または生成的)モデルを利用して、新しい制約付きアノバ階層(RAY)近似を用いて最適推定方程式の近似を求める。
結果として得られたブロックワイド・ミスティングネス(RAY)またはIBM(RAY)推定器は、事前訓練されたAIモデルを導入し、モデル固有のハイパーパラメータをチューニングすることで漸近的分散を慎重に制御する。
次に、IBM(RAY)を一般的な推定器のクラスに拡張する。
このクラスで最も効率的な推定器を見つけ、制約付き二次計画問題の解法によりIBM(Adaptive)と呼ぶ。
すべてのIBM推定器はバイアスがなく、重要なことは、使用されるAIモデルの予測精度に関係なく、単純で完全なケース推定器よりも保証された効率の向上を漸近的に達成する。
本手法の有限サンプル性能と数値安定性をシミュレーション研究により実証し,表面タンパク質量推定への応用について述べる。
関連論文リスト
- Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。
このような問題は医学、物理学、機械学習で発生する。
両種類の雑音下で提案アルゴリズムの収束保証を行う。
論文 参考訳（メタデータ） (2024-11-21T10:26:17Z) - Distributionally Robust Optimization as a Scalable Framework to Characterize Extreme Value Distributions [22.765095010254118]
本研究の目的は分散ロバストな最適化 (DRO) 推定器の開発であり、特に多次元極値理論 (EVT) の統計量についてである。
点過程の空間における半パラメトリックな最大安定制約によって予測されるDRO推定器について検討した。
両手法は, 合成データを用いて検証し, 所定の特性を回復し, 提案手法の有効性を検証する。
論文 参考訳（メタデータ） (2024-07-31T19:45:27Z) - C-Learner: Constrained Learning for Causal Inference [4.370964009390564]
本稿では,両世界の最適な重み付けを実現し,安定したプラグイン推定を実現する新しいデバイアス化手法を提案する。
我々の制約学習フレームワークは、プラグイン量に対する一階誤差がゼロであるという制約の下で、最高のプラグイン推定器を解く。
論文 参考訳（メタデータ） (2024-05-15T16:38:28Z) - Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。
カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。
我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-10-09T03:55:09Z) - Distributed Estimation and Inference for Semi-parametric Binary Response Models [8.309294338998539]
本稿では,分散コンピューティング環境下での半パラメトリック二値選択モデルの最大スコア推定について検討する。
直感的な分割・対数推定器は計算コストが高く、機械数に対する非正規制約によって制限される。
論文 参考訳（メタデータ） (2022-10-15T23:06:46Z) - Learning to Estimate Without Bias [57.82628598276623]
ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。
本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。
BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
論文 参考訳（メタデータ） (2021-10-24T10:23:51Z) - Efficient semidefinite-programming-based inference for binary and
multi-class MRFs [83.09715052229782]
分割関数やMAP推定をペアワイズMRFで効率的に計算する手法を提案する。
一般のバイナリMRFから完全多クラス設定への半定緩和を拡張し、解法を用いて再び効率的に解けるようなコンパクトな半定緩和を開発する。
論文 参考訳（メタデータ） (2020-12-04T15:36:29Z) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳（メタデータ） (2020-04-21T23:09:55Z)
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。