論文の概要: Fast Rerandomization for Balancing Covariates in Randomized Experiments: A Metropolis-Hastings Framework

• arxiv url: http://arxiv.org/abs/2602.07613v1
• Date: Sat, 07 Feb 2026 16:40:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.722672
• Title: Fast Rerandomization for Balancing Covariates in Randomized Experiments: A Metropolis-Hastings Framework
• Title（参考訳）: ランダム化実験における共変量分散のための高速再ランダム化:メトロポリス・ハスティングス・フレームワーク
• Authors: Jiuyao Lu, Tianruo Zhang, Ke Zhu,
• Abstract要約: 本稿では,精度と妥当性を維持しつつ,10～10,000倍の高速化を実現するアルゴリズムを提案する。 提案アルゴリズムであるPSRSRRは,精度と妥当性を維持しつつ,10～10,000倍の高速化を実現する。
• 参考スコア（独自算出の注目度）: 12.297315057225532
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Balancing covariates is critical for credible and efficient randomized experiments. Rerandomization addresses this by repeatedly generating treatment assignments until covariate balance meets a prespecified threshold. By shrinking this threshold, it can achieve arbitrarily strong balance, with established results guaranteeing optimal estimation and valid inference in both finite-sample and asymptotic settings across diverse complex experimental settings. Despite its rigorous theoretical foundations, practical use is limited by the extreme inefficiency of rejection sampling, which becomes prohibitively slow under small thresholds and often forces practitioners to adopt suboptimal settings, leading to degraded performance. Existing work focusing on acceleration typically fail to maintain the uniformity over the acceptable assignment space, thus losing the theoretical grounds of classical rerandomization. Building upon a Metropolis-Hastings framework, we address this challenge by introducing an additional sampling-importance resampling step, which restores uniformity and preserves statistical guarantees. Our proposed algorithm, PSRSRR, achieves speedups ranging from 10 to 10,000 times while maintaining exact and asymptotic validity, as demonstrated by simulations and two real-data applications.
• Abstract（参考訳）: 共変量バランシングは、信頼性と効率的なランダム化実験に不可欠である。 Rerandomizationは、共変量バランスが所定のしきい値に達するまで、繰り返し処理の割り当てを発生させることによって、この問題に対処する。 この閾値を縮めることで、任意の強いバランスを達成でき、様々な複雑な実験環境において、有限サンプルと漸近的な両方の設定において最適な推定と妥当な推測が保証される。 厳格な理論上の基盤にもかかわらず、実践は拒否サンプリングの極端な非効率性によって制限されており、これは小さなしきい値の下では違法に遅くなり、しばしば実践者が最適以下の設定を採用することを強制し、性能が低下する。 加速に焦点を当てた既存の作業は、一般に許容される代入空間上の均一性を維持することができず、古典的再ランダム化の理論的根拠を失う。 メトロポリス・ハスティングス(Metropolis-Hastings)フレームワークを基盤として,統一性を回復し,統計的保証を維持するサンプリング重要再サンプリングのステップを導入することで,この問題に対処する。 提案アルゴリズムであるPSRSRRは,シミュレーションと2つの実データアプリケーションで示されるように,正確かつ漸近的な妥当性を維持しつつ,10～10,000倍の高速化を実現する。

関連論文リスト

• RI-Loss: A Learnable Residual-Informed Loss for Time Series Forecasting [13.117430904377905]
  時系列予測は、過去のデータから将来の値を予測することに依存する。 MSEには2つの根本的な弱点がある:そのポイントワイドエラーは時間的関係を捉えるのに失敗し、データに固有のノイズを考慮しない。 我々は,Hilbert-Schmidt Independence Criterion(HSIC)に基づく新たな目的関数であるResidual-Informed Loss(RI-Loss)を紹介する。
  論文  参考訳（メタデータ） (2025-11-13T09:36:00Z)
• 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)
• 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)
• An Experimental Design for Anytime-Valid Causal Inference on Multi-Armed Bandits [0.0]
  本稿では,Mixture Adaptive Design (MAD)を提案する。 MADは、万能MABアルゴリズムの平均処理効果(ATE)について、任意の時間価推論を可能にする。
  論文  参考訳（メタデータ） (2023-11-09T23:57:32Z)
• Semi-Parametric Inference for Doubly Stochastic Spatial Point Processes: An Approximate Penalized Poisson Likelihood Approach [3.085995273374333]
  二重確率点過程は、ランダム強度関数の実現を前提とした不均一過程として空間領域上の事象の発生をモデル化する。 既存の二重確率空間モデルの実装は、計算的に要求され、しばしば理論的な保証が制限され、または制限的な仮定に依存している。
  論文  参考訳（メタデータ） (2023-06-11T19:48:39Z)
• PAPAL: A Provable PArticle-based Primal-Dual ALgorithm for Mixed Nash Equilibrium [58.26573117273626]
  2プレイヤゼロサム連続ゲームにおける非AL平衡非漸近目的関数について考察する。 連続分布戦略のための粒子ベースアルゴリズムに関する新しい知見を述べる。
  論文  参考訳（メタデータ） (2023-03-02T05:08:15Z)
• On the Convergence of Stochastic Extragradient for Bilinear Games with Restarted Iteration Averaging [96.13485146617322]
  本稿では, ステップサイズが一定であるSEG法の解析を行い, 良好な収束をもたらす手法のバリエーションを示す。 平均化で拡張した場合、SEGはナッシュ平衡に確実に収束し、スケジュールされた再起動手順を組み込むことで、その速度が確実に加速されることを証明した。
  論文  参考訳（メタデータ） (2021-06-30T17:51:36Z)
• High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
  アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。 非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。 そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
  論文  参考訳（メタデータ） (2021-06-10T17:54:21Z)

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。