論文の概要: Empirical Likelihood for Nonsmooth Functionals

• arxiv url: http://arxiv.org/abs/2603.27743v1
• Date: Sun, 29 Mar 2026 15:51:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.095413
• Title: Empirical Likelihood for Nonsmooth Functionals
• Title（参考訳）: 非平滑関数に対する経験的類似性
• Authors: Hongseok Namkoong,
• Abstract要約: 経験的可能性(英語: Empirical chance)は、自然界を尊重する魅力的な推論の枠組みである。 既存のアプローチでは、これらの仮定が破られたとき、機能的および誤校正のスムーズさが要求される。 部分的非平滑関数に対するブートストラップ法を開発した。
• 参考スコア（独自算出の注目度）: 6.136848014288507
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Empirical likelihood is an attractive inferential framework that respects natural parameter boundaries, but existing approaches typically require smoothness of the functional and miscalibrate substantially when these assumptions are violated. For the optimal-value functional central to policy evaluation, smoothness holds only when the optimum is unique -- a condition that fails exactly when rigorous inference is most needed where more complex policies have modest gains. In this work, we develop a bootstrap empirical likelihood method for partially nonsmooth functionals. Our analytic workhorse is a geometric reduction of the profile likelihood to the distance between the score mean and a level set whose shape (a tangent cone given by nonsmoothness patterns) determines the asymptotic distribution. Unlike the classical proof technology based on Taylor expansions on the dual optima, our geometric approach leverages properties of a deterministic convex program and can directly apply to nonsmooth functionals. Since the ordinary bootstrap is not valid in the presence of nonsmoothness, we derive a corrected multiplier bootstrap approach that adapts to the unknown level-set geometry.
• Abstract（参考訳）: 経験的可能性(英語版)は、自然なパラメータ境界を尊重する魅力的な推論の枠組みであるが、既存のアプローチでは、これらの仮定が破られた場合、関数の滑らかさが要求される。 政策評価の中心となる最適値関数は、最適値が一意である場合にのみ滑らかさを保ちます -- より複雑な政策が適度な利得を持つような厳密な推論が必要とされる場合に、正確に失敗する条件です。 本研究では, 部分非平滑関数に対するブートストラップ実験法を開発した。 本研究は, 形状(非滑らか性パターンによって与えられる接円錐)が漸近分布を決定するスコア平均とレベルセットとの距離に対するプロファイル確率を幾何学的に低減したものである。 双対オプティマ上のテイラー展開に基づく古典的証明技術とは異なり、我々の幾何学的アプローチは決定論的凸プログラムの特性を活用し、非滑らかな函数に直接適用することができる。 通常のブートストラップは非滑らか性の存在下では有効ではないので、未知のレベルセット幾何に適応する修正された乗算ブートストラップアプローチを導出する。

関連論文リスト

• A Theory of $θ$-Expectations [2.1756081703276]
  我々は、ドライバーがポイントワイズ幾何学である微分方程式のクラスのためのフレームワークを開発する。 システムのトラクタビリティは、世界的なユニークかつグローバルな存在を前提としている。 ドライバー関数に対するリプシッツ最大値写像。
  論文  参考訳（メタデータ） (2025-07-27T16:56:01Z)
• Revisiting Convergence: Shuffling Complexity Beyond Lipschitz Smoothness [50.78508362183774]
  シャッフル型勾配法はその単純さと迅速な経験的性能のために実践的に好まれる。 リプシッツ条件は一般的な機械学習スキームでは満たされないことが多い。
  論文  参考訳（メタデータ） (2025-07-11T15:36:48Z)
• A Functional Model Method for Nonconvex Nonsmooth Conditional Stochastic Optimization [0.0]
  本稿では, 基底乱ベクトルの非線形関数の期待値と, 基底乱ベクトルに依存する他の関数の条件付き期待値を含む最適化問題を考察する。 本研究では, 外部関数が滑らかで, 内部関数が異なる非制約学習問題に対して, 特殊な単一スケール法を提案する。
  論文  参考訳（メタデータ） (2024-05-17T14:35:50Z)
• Riemannian stochastic optimization methods avoid strict saddle points [68.80251170757647]
  研究中のポリシーは、確率 1 の厳密なサドル点/部分多様体を避けていることを示す。 この結果は、アルゴリズムの極限状態が局所最小値にしかならないことを示すため、重要な正当性チェックを提供する。
  論文  参考訳（メタデータ） (2023-11-04T11:12:24Z)
• Nonparametric estimation of a covariate-adjusted counterfactual treatment regimen response curve [2.7446241148152253]
  治療体制下での平均結果を柔軟に推定することは、パーソナライズされた医療にとって重要なステップである。 本研究では,スムーズな規則応答曲線関数の逆確率重み付き非パラメトリック効率推定器を提案する。 いくつかの有限サンプル特性はシミュレーションによって探索される。
  論文  参考訳（メタデータ） (2023-09-28T01:46:24Z)
• High-Probability Bounds for Stochastic Optimization and Variational Inequalities: the Case of Unbounded Variance [59.211456992422136]
  制約の少ない仮定の下で高確率収束結果のアルゴリズムを提案する。 これらの結果は、標準機能クラスに適合しない問題を最適化するために検討された手法の使用を正当化する。
  論文  参考訳（メタデータ） (2023-02-02T10:37:23Z)
• Kernel-based off-policy estimation without overlap: Instance optimality beyond semiparametric efficiency [53.90687548731265]
  本研究では,観測データに基づいて線形関数を推定するための最適手順について検討する。 任意の凸および対称函数クラス $mathcalF$ に対して、平均二乗誤差で有界な非漸近局所ミニマックスを導出する。
  論文  参考訳（メタデータ） (2023-01-16T02:57:37Z)
• Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
  統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。 本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
  論文  参考訳（メタデータ） (2022-08-29T16:16:22Z)
• Optimal Recovery from Inaccurate Data in Hilbert Spaces: Regularize, but what of the Parameter? [6.85316573653194]
  本稿では、ヒルベルト空間のフレームワークにおける近似性に基づくモデル仮定について考察する。 また、$ell$でバウンドされた追加エラーによる観察上の不正確さも含んでいる。 ローカルシナリオとグローバルシナリオのギャップを埋めます。
  論文  参考訳（メタデータ） (2021-11-04T03:02:55Z)

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。