論文の概要: Minimum Wasserstein distance estimator under covariate shift: closed-form, super-efficiency and irregularity

• arxiv url: http://arxiv.org/abs/2601.07282v1
• Date: Mon, 12 Jan 2026 07:36:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.268522
• Title: Minimum Wasserstein distance estimator under covariate shift: closed-form, super-efficiency and irregularity
• Title（参考訳）: 共変量シフト下の最小ワッサーシュタイン距離推定器:閉形式、超効率、不規則性
• Authors: Junjun Lang, Qiong Zhang, Yukun Liu,
• Abstract要約: 本稿では,結果の回帰や重み付けの明示的なモデリングを避けるために,最小ワッサースタイン距離推定フレームワークを提案する。 得られたW-推定器はクローズドフォーム表現を認め、古典的な1-アネレスト近傍推定器と数値的に等価である。 数値シミュレーションは降雨データセットの解析とともに、我々のW推定器の異常な性能を裏付けるものである。
• 参考スコア（独自算出の注目度）: 9.668478511115683
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Covariate shift arises when covariate distributions differ between source and target populations while the conditional distribution of the response remains invariant, and it underlies problems in missing data and causal inference. We propose a minimum Wasserstein distance estimation framework for inference under covariate shift that avoids explicit modeling of outcome regressions or importance weights. The resulting W-estimator admits a closed-form expression and is numerically equivalent to the classical 1-nearest neighbor estimator, yielding a new optimal transport interpretation of nearest neighbor methods. We establish root-$n$ asymptotic normality and show that the estimator is not asymptotically linear, leading to super-efficiency relative to the semiparametric efficient estimator under covariate shift in certain regimes, and uniformly in missing data problems. Numerical simulations, along with an analysis of a rainfall dataset, underscore the exceptional performance of our W-estimator.
• Abstract（参考訳）: 共変量シフトは、応答の条件分布が不変である間、ソースとターゲットの個体群間で共変量分布が異なるときに起こり、欠落データや因果推論の問題を下支えする。 結果の回帰や重み付けの明示的なモデリングを避けるために,共変量シフト下での推論のための最小ワッサースタイン距離推定フレームワークを提案する。 得られたW-推定器は閉形式表現を認め、古典的な1-アネレスト近傍推定器と数値的に等価であり、隣り合う方法の新しい最適な輸送解釈をもたらす。 我々はroot-$n$ asymptotic normalityを確立し、この推定器が漸近線形ではないことを示す。 数値シミュレーションは降雨データセットの解析とともに、我々のW推定器の異常な性能を裏付けるものである。

関連論文リスト

• Multivariate root-n-consistent smoothing parameter free matching estimators and estimators of inverse density weighted expectations [51.000851088730684]
  我々は、パラメトリックな$sqrt n $-rateで収束する、最も近い隣人の新しい修正とマッチング推定器を開発する。 我々は,非パラメトリック関数推定器は含まないこと,特に標本サイズ依存パラメータの平滑化には依存していないことを強調する。
  論文  参考訳（メタデータ） (2024-07-11T13:28:34Z)
• A Geometric Unification of Distributionally Robust Covariance Estimators: Shrinking the Spectrum by Inflating the Ambiguity Set [20.166217494056916]
  制約的な仮定を課さずに共分散推定器を構築するための原理的手法を提案する。 頑健な推定器は効率的に計算可能で一貫したものであることを示す。 合成および実データに基づく数値実験により、我々の頑健な推定器は最先端の推定器と競合していることが示された。
  論文  参考訳（メタデータ） (2024-05-30T15:01:18Z)
• Wasserstein Distributionally Robust Estimation in High Dimensions: Performance Analysis and Optimal Hyperparameter Tuning [2.4578723416255754]
  分散ロバスト最適化(DRO)は不確実性の下での見積もりの強力なフレームワークとなっている。 本稿では,DROに基づく線形回帰法を提案し,その中心的問題,すなわちロバストネス半径を最適に選択する方法を提案する。 本手法はクロスバリデーションと同じ効果を示すが,計算コストのごく一部で実現可能であることを示す。
  論文  参考訳（メタデータ） (2022-06-27T13:02:59Z)
• Non asymptotic estimation lower bounds for LTI state space models with Cram\'er-Rao and van Trees [1.14219428942199]
  本研究では,未知の共分散のガウス励起を持つ線形時間不変(LTI)状態空間モデルに対する推定問題について検討する。 予測される推定誤差と最小二乗推定器の平均二乗推定リスクに対して非下界を与える。 その結果, 推定リスクを期待して, 既存の下限を下限に拡張し, 改善した。
  論文  参考訳（メタデータ） (2021-09-17T15:00:25Z)
• Near-optimal inference in adaptive linear regression [60.08422051718195]
  最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。 我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。 我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-07-05T21:05:11Z)
• Efficient Interpolation of Density Estimators [23.154249845820306]
  未知の密度を近似する非パラメトリック推定器の空間的および時間的効率評価の問題について検討する。 本結果は,基礎となる滑らかさの存在下でのカーネル密度推定器の高速評価に関する新しい統計的視点を与えるものである。
  論文  参考訳（メタデータ） (2020-11-10T06:05:00Z)
• Minimax Optimal Estimation of KL Divergence for Continuous Distributions [56.29748742084386]
  Kullback-Leibler の同一および独立に分布するサンプルからの発散は、様々な領域において重要な問題である。 単純で効果的な推定器の1つは、これらのサンプル間の近辺 k に基づいている。
  論文  参考訳（メタデータ） (2020-02-26T16:37:37Z)
• Estimating Gradients for Discrete Random Variables by Sampling without Replacement [93.09326095997336]
  我々は、置換のないサンプリングに基づいて、離散確率変数に対する期待値の偏りのない推定器を導出する。 推定器は3つの異なる推定器のラオ・ブラックウェル化として導出可能であることを示す。
  論文  参考訳（メタデータ） (2020-02-14T14:15:18Z)

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。