論文の概要: Generalized Prediction-Powered Inference, with Application to Binary Classifier Evaluation

• arxiv url: http://arxiv.org/abs/2602.10332v1
• Date: Tue, 10 Feb 2026 22:11:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.311657
• Title: Generalized Prediction-Powered Inference, with Application to Binary Classifier Evaluation
• Title（参考訳）: 一般化予測パワー推論とバイナリ分類器評価への応用
• Authors: Runjia Zou, Daniela Witten, Brian Williamson,
• Abstract要約: PPIを任意の正規線型推定器に一般化する。 PPIは、非常に制限的かつ非現実的なシナリオの外側の半パラメトリック効率を低くすることができないことを示す。 我々は、その文献との接続を利用して、修正されたPPI推定器を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the partially-observed outcome setting, a recent set of proposals known as "prediction-powered inference" (PPI) involve (i) applying a pre-trained machine learning model to predict the response, and then (ii) using these predictions to obtain an estimator of the parameter of interest with asymptotic variance no greater than that which would be obtained using only the labeled observations. While existing PPI proposals consider estimators arising from M-estimation, in this paper we generalize PPI to any regular asymptotically linear estimator. Furthermore, by situating PPI within the context of an existing rich literature on missing data and semi-parametric efficiency theory, we show that while PPI does not achieve the semi-parametric efficiency lower bound outside of very restrictive and unrealistic scenarios, it can be viewed as a computationally-simple alternative to proposals in that literature. We exploit connections to that literature to propose modified PPI estimators that can handle three distinct forms of covariate distribution shift. Finally, we illustrate these developments by constructing PPI estimators of true positive rate, false positive rate, and area under the curve via numerical studies.
• Abstract（参考訳）: 部分的に観察された結果設定では、"prediction-powered inference"(PPI)と呼ばれる最近の提案が関与している。 一 事前学習機械学習モデルを適用して応答を予測すること。 (II)これらの予測を用いて、ラベル付き観測のみを用いて得られる漸近的分散を伴う利害パラメータの推定値を得る。 既存のPPI提案では、M推定から生じる推定器について検討しているが、本論文では、PPIを任意の漸近線形推定器に一般化する。 さらに、PPIは、既存の豊富な文献の文脈内で欠落データと半パラメトリック効率理論を定め、非常に制限的かつ非現実的なシナリオの外側の半パラメトリック効率を低く達成していないが、その文献における提案に対する計算学的に単純であると見なすことができる。 我々は,3種類の共変量分布シフトを処理可能な修正PPI推定器を提案する。 最後に、数値的な研究を通じて、曲線の真正率、偽正率、面積のPPI推定器を構築することにより、これらの展開を説明する。

関連論文リスト

• Demystifying Prediction Powered Inference [4.962232906170314]
  予測パワー推論(英: Prediction-Powered Inference、PPI)は、大規模なラベルなしデータセットからの予測を活用して統計的効率を改善する、原則化されたフレームワークである。 その可能性にもかかわらず、PPIの変種の増加と両者の微妙な区別は、実践者がいつ、どのようにこれらの方法を適用するかを決定するのを困難にしている。 本稿では,PPIの理論的基礎,方法論的拡張,既存の統計文献への接続,診断ツールを統一的な実用的なワークフローに合成することによって,PPIをデミステレーションする。
  論文  参考訳（メタデータ） (2026-01-28T18:16:02Z)
• Prediction-Powered Adaptive Shrinkage Estimation [0.22917707112773592]
  予測パワー適応収縮(英: Prediction-Powered Adaptive Shrinkage、PAS)は、PPIを実証的なベイズ収縮で橋渡しし、複数の手段の推定を改善する手法である。 PASはML予測の信頼性に適応し、大規模アプリケーションにおいて従来のベースラインと現代的なベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-02-20T00:24:05Z)
• Predictions as Surrogates: Revisiting Surrogate Outcomes in the Age of AI [12.569286058146343]
  我々は、生物統計学における数十年前の代理結果モデルと予測駆動推論(PPI)の新たな分野との正式な関係を確立する。 我々は、既存のPPI提案よりも効率的な統計的推論手法である、補正予測を用いた推論を開発する。 我々は,最先端の機械学習/AIモデルを活用した3つのアプリケーションを通じて,既存のPPI提案よりも有効サンプルサイズが大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2025-01-16T18:30:33Z)
• Stratified Prediction-Powered Inference for Hybrid Language Model Evaluation [62.2436697657307]
  予測駆動推論(英: Prediction-powered Inference, PPI)は、人間ラベル付き限られたデータに基づいて統計的推定を改善する手法である。 我々はStratPPI(Stratified Prediction-Powered Inference)という手法を提案する。 単純なデータ階層化戦略を用いることで,基礎的なPPI推定精度を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2024-06-06T17:37:39Z)
• A Tale of Sampling and Estimation in Discounted Reinforcement Learning [50.43256303670011]
  割引平均推定問題に対して最小値の最小値を求める。 マルコフ過程の割引されたカーネルから直接サンプリングすることで平均を推定すると、説得力のある統計的性質が得られることを示す。
  論文  参考訳（メタデータ） (2023-04-11T09:13:17Z)
• 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)
• A maximum-entropy approach to off-policy evaluation in average-reward MDPs [54.967872716145656]
  この研究は、無限水平非カウントマルコフ決定過程(MDPs)における関数近似を伴うオフ・ポリティ・アセスメント(OPE)に焦点を当てる。 提案手法は,第1の有限サンプル OPE 誤差境界であり,既存の結果がエピソードおよびディスカウントケースを超えて拡張される。 この結果から,教師あり学習における最大エントロピー的アプローチを並列化して,十分な統計値を持つ指数関数型家族分布が得られた。
  論文  参考訳（メタデータ） (2020-06-17T18:13:37Z)

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。