Fugu-MT 論文翻訳(概要): GAAVI: Global Asymptotic Anytime Valid Inference for the Conditional Mean Function

論文の概要: GAAVI: Global Asymptotic Anytime Valid Inference for the Conditional Mean Function

arxiv url: http://arxiv.org/abs/2602.08096v1
Date: Sun, 08 Feb 2026 19:34:18 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-10 20:26:24.979064
Title: GAAVI: Global Asymptotic Anytime Valid Inference for the Conditional Mean Function
Title（参考訳）: GAAVI: 条件付き平均関数に対するグローバル漸近随時妥当性推定
Authors: Brian M Cho, Raaz Dwivedi, Nathan Kallus,
Abstract要約: CMFグローバルヌルに対する新しい有効値テストを提供する。 CMFに対する機能評価信頼度の構築方法とそのコントラストについて述べる。本手法は, 連続監視下での名目誤差率を保ちながら, 様々な分布に対してよく機能する。
参考スコア（独自算出の注目度）: 40.13687327412775
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Inference on the conditional mean function (CMF) is central to tasks from adaptive experimentation to optimal treatment assignment and algorithmic fairness auditing. In this work, we provide a novel asymptotic anytime-valid test for a CMF global null (e.g., that all conditional means are zero) and contrasts between CMFs, enabling experimenters to make high confidence decisions at any time during the experiment beyond a minimum sample size. We provide mild conditions under which our tests achieve (i) asymptotic type-I error guarantees, (i) power one, and, unlike past tests, (iii) optimal sample complexity relative to a Gaussian location testing. By inverting our tests, we show how to construct function-valued asymptotic confidence sequences for the CMF and contrasts thereof. Experiments on both synthetic and real-world data show our method is well-powered across various distributions while preserving the nominal error rate under continuous monitoring.
Abstract（参考訳）: 条件平均関数(CMF)の推論は、適応的な実験から最適な処理課題、アルゴリズム的公正監査までタスクの中心である。本研究では,CMFグローバルヌル(例えば,すべての条件付き手段がゼロである)に対する新しい漸近的随時検証とCMF間のコントラストを提供することにより,実験中に最小サンプルサイズを超えて高い信頼度決定を行うことができる。我々は,asymptotic type-I error guarantees,i Power 1,l,l,l,l,l,l,l,l,l,l,l,l,l,l,l,,,,,,,,,,,,,,<i, 実験を逆転させることで,CMFとそれらのコントラストに対して,関数値の漸近的信頼配列を構築する方法を示す。合成データと実世界のデータの両方を用いた実験により, 連続監視下での名目誤差率を保ちながら, 種々の分布にまたがる手法が良好であることが示された。

関連論文リスト

Cross-Validated Causal Inference: a Modern Method to Combine Experimental and Observational Data [48.72384067821617]
我々は、因果推論において実験データと観測データを統合するための新しい手法を開発した。実験と観測の損失の重み付けを最小化することにより、因果パラメータを含む完全なモデルを得る。実データおよび合成データを用いた実験により,本手法の有効性と信頼性が示された。
論文参考訳（メタデータ） (2025-11-01T22:24:16Z)
A Sample Efficient Conditional Independence Test in the Presence of Discretization [54.047334792855345]
離散化されたデータに直接条件付き独立テスト(CI)は、誤った結論につながる可能性がある。最近の進歩は、観測データをバイナライズすることで、潜伏変数間の適切なCI関係を推測することを目指している。そこで本研究では,バイナライゼーションプロセスに依存しないサンプル効率のCIテストを提案する。
論文参考訳（メタデータ） (2025-06-10T12:41:26Z)
Minimax Optimal Kernel Two-Sample Tests with Random Features [6.747832388017275]
本研究では、ランダムフーリエ特徴量(RFF)近似に基づくスペクトル規則化2サンプル試験を提案する。 RFFの近似順序が十分に大きい場合、提案した試験が最小限最適であることを示す。そこで本研究では,正規化パラメータを選択するためのデータ適応型戦略を用いて,提案手法の実用的実装可能な置換型バージョンを開発する。
論文参考訳（メタデータ） (2025-02-28T06:12:00Z)
Testing Conditional Mean Independence Using Generative Neural Networks [8.323172773256449]
我々は,新しい集団CMI尺度とブートストラップモデルに基づくテスト手順を導入する。深部生成ニューラルネットワークは、人口測定に関わる条件付き平均関数を推定するために用いられる。
論文参考訳（メタデータ） (2025-01-28T23:35:24Z)
Federated Nonparametric Hypothesis Testing with Differential Privacy Constraints: Optimal Rates and Adaptive Tests [5.3595271893779906]
フェデレート学習は、さまざまな場所でデータが収集され分析される広範囲な設定で適用可能であることから、近年大きな注目を集めている。分散差分プライバシー(DP)制約下でのホワイトノイズ・ウィズ・ドリフトモデルにおける非パラメトリック適合性試験について検討した。
論文参考訳（メタデータ） (2024-06-10T19:25:19Z)
Near-Optimal Non-Parametric Sequential Tests and Confidence Sequences with Possibly Dependent Observations [44.71254888821376]
我々は、一般的な非データ生成プロセスの下で、最初のタイプIエラーと予測リジェクション時間保証を提供する。本研究では, 平均処理効果など, 方程式を推定することによって定義されるパラメータの推測に, 結果を適用する方法を示す。
論文参考訳（メタデータ） (2022-12-29T18:37:08Z)
Cross-validation Confidence Intervals for Test Error [83.67415139421448]
この研究は、クロスバリデーションのための中心極限定理と、学習アルゴリズムの弱い安定性条件下での分散の一貫した推定器を開発する。結果は、一般的な1対1のクロスバリデーションの選択にとって、初めてのものだ。
論文参考訳（メタデータ） (2020-07-24T17:40:06Z)
Noisy Adaptive Group Testing using Bayesian Sequential Experimental Design [63.48989885374238]
病気の感染頻度が低い場合、Dorfman氏は80年前に、人のテストグループは個人でテストするよりも効率が良いことを示した。本研究の目的は,ノイズの多い環境で動作可能な新しいグループテストアルゴリズムを提案することである。
論文参考訳（メタデータ） (2020-04-26T23:41:33Z)

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。