論文の概要: Conditional Rank-Rank Regression via Deep Conditional Transformation Models

• arxiv url: http://arxiv.org/abs/2603.07230v1
• Date: Sat, 07 Mar 2026 14:27:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:14.10565
• Title: Conditional Rank-Rank Regression via Deep Conditional Transformation Models
• Title（参考訳）: 深部条件変換モデルによる条件付きランクランクの回帰
• Authors: Xiaoyi Wang, Long Feng, Zhaojun Wang,
• Abstract要約: 世代間移動は、親から子供への社会経済的成果の伝達を定量化する。 条件付きランク回帰(CRRR)は、条件付きランクを用いたグループ内のモビリティを測定する。 CRRR は$$-indexed conditional-rank definition を通じて離散的な結果に拡張し、感度を$$.$に研究する。 連続的な結果に対して、提案した推定器の理論を確立し、交換可能な推論の有効性を検証する。
• 参考スコア（独自算出の注目度）: 8.100828624916574
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Intergenerational mobility quantifies the transmission of socio-economic outcomes from parents to children. While rank-rank regression (RRR) is standard, adding covariates directly (RRRX) often yields parameters with unclear interpretation. Conditional rank-rank regression (CRRR) resolves this by using covariate-adjusted (conditional) ranks to measure within-group mobility. We improve and extend CRRR by estimating conditional ranks with a deep conditional transformation model (DCTM) and cross-fitting, enabling end-to-end conditional distribution learning with structural constraints and strong performance under nonlinearity, high-order interactions, and discrete ordered outcomes where the distributional regression used in traditional CRRR may be cumbersome or prone to misconfiguration. We further extend CRRR to discrete outcomes via an $ω$-indexed conditional-rank definition and study sensitivity to $ω$. For continuous outcomes, we establish an asymptotic theory for the proposed estimators and verify the validity of exchangeable bootstrap inference. Simulations across simple/complex continuous and discrete ordered designs show clear accuracy gains in challenging settings. Finally, we apply our method to two empirical studies, revealing substantial within-group persistence in U.S. income and pronounced gender differences in educational mobility in India.
• Abstract（参考訳）: 世代間移動は、親から子供への社会経済的成果の伝達を定量化する。 ランク回帰(RRR)は標準であるが、共変量を直接追加する(RRRX)と、しばしば不明瞭な解釈を持つパラメータが生成される。 条件付きランク回帰(CRRR)は、群内移動度を測定するために共変量調整(条件付き)ランクを用いてこれを解決する。 本研究では,DCTM(Deep Conditional transformation model)とクロスフィッティング(cross-fitting)で条件ランクを推定してCRRRを改良・拡張し,構造的制約と高次相互作用による強い性能を持つエンドツーエンドの条件分布学習を実現する。 さらに CRRR を$ω$-indexed conditional-rank definition を通じて離散結果に拡張し、$ω$ への感度の研究を行う。 連続的な結果を得るために,提案した推定器の漸近理論を確立し,交換可能なブートストラップ推定の有効性を検証する。 単純な/複雑な連続的および離散的な順序付け設計のシミュレーションは、挑戦的な設定において明らかな精度向上を示す。 最後に,本手法を2つの実証研究に適用し,インドにおける教育モビリティの性別差と米国所得におけるグループ内持続性を明らかにした。

関連論文リスト

• Causal Imitation Learning Under Measurement Error and Distribution Shift [6.038778620145853]
  ノイズ測定によってのみ、決定関連状態の一部が観察される場合、オフライン模倣学習(IL)について検討する。 本稿では,変数間の因果関係を明示的にモデル化することによって,測定誤差下でのILの一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:06:53Z)
• Causal Inference as Distribution Adaptation: Optimizing ATE Risk under Propensity Uncertainty [0.0]
  我々は、分散シフトの下で、ATE推定をテキストドメイン適応問題として再フレーミングする。 結果モデルの共同学習を行うためのtextbfJoint Robust Estimator (JRE) を提案する。
  論文  参考訳（メタデータ） (2025-12-19T21:40:46Z)
• Learning Causality for Longitudinal Data [1.2691047660244335]
  この論文は、高次元の時間変化データにおける因果推論と因果表現学習の手法を開発する。 最初のコントリビューションは、個別処理効果(ITE)を推定するモデルであるCDVAE(Causal Dynamic Variational Autoencoder)の導入である。 第2のコントリビューションでは,Contrastive Predictive Coding (CPC) とInfoMaxによって強化された RNN に基づく長期的反事実回帰のための効率的なフレームワークを提案する。 第3のコントリビューションは、潜伏が観察された変数にどのように現れるかに対処することでCRLを前進させる。
  論文  参考訳（メタデータ） (2025-12-04T16:51:49Z)
• Learning bounds for doubly-robust covariate shift adaptation [8.24901041136559]
  トレーニングドメインとテストドメイン間の分散シフトは、マシンラーニングにとって重要な課題である。 Doubly-robust (DR) 推定器は、密度比推定とパイロット回帰モデルを組み合わせる。 本稿では,DR推定器の非漸近学習境界を初めて確立する。
  論文  参考訳（メタデータ） (2025-11-14T06:46:23Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• COD: Learning Conditional Invariant Representation for Domain Adaptation Regression [20.676363400841495]
  ドメイン適応回帰(Domain Adaptation Regression)は、ソースドメインからラベルのないターゲットドメインへのラベルの知識を一般化するために開発された。 既存の条件分布アライメント理論と離散前処理法はもはや適用できない。 誤差を最小限に抑えるために,CODに基づく条件付き不変表現学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-13T05:08:13Z)
• Modeling the Q-Diversity in a Min-max Play Game for Robust Optimization [61.39201891894024]
  群分布的ロバスト最適化(群 DRO)は、事前定義された群に対する最悪の損失を最小限にすることができる。 グループDROフレームワークをQ-Diversityを提案して再構築する。 インタラクティブなトレーニングモードによって特徴付けられるQ-Diversityは、アノテーションからグループ識別を緩和し、直接パラメータ化を行う。
  論文  参考訳（メタデータ） (2023-05-20T07:02:27Z)
• On the Training Instability of Shuffling SGD with Batch Normalization [44.28777474091466]
  単一シャッフル(SS)とランダムリシャッフル(RR)は、バッチ正規化の存在下で驚くほど異なる相互作用をする。 SSは回帰と分類のばらつきを生じるが,RRは歪みとばらつきの両方を避けている。
  論文  参考訳（メタデータ） (2023-02-24T04:10:54Z)
• Distributional Robustness and Regularization in Reinforcement Learning [62.23012916708608]
  経験値関数の新しい正規化器を導入し、ワッサーシュタイン分布のロバストな値関数を下限とすることを示す。 強化学習における$textitexternalな不確実性に対処するための実用的なツールとして正規化を使用することを提案する。
  論文  参考訳（メタデータ） (2020-03-05T19:56:23Z)
• GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
  重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。 我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。 結果として得られるアルゴリズム、GenDICEは単純で効果的である。
  論文  参考訳（メタデータ） (2020-02-21T00:27:52Z)

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。