論文の概要: Inferring Change Points in Regression via Sample Weighting

• arxiv url: http://arxiv.org/abs/2604.11746v1
• Date: Mon, 13 Apr 2026 17:20:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.712509
• Title: Inferring Change Points in Regression via Sample Weighting
• Title（参考訳）: サンプル重み付けによる回帰変化点の推定
• Authors: Gabriel Arpino, Ramji Venkataramanan,
• Abstract要約: 本研究では,高次元一般化線形モデルにおける変化点の同定問題について検討する。 サンプル重み付き経験的リスク最小化に基づくアプローチを提案する。 この特徴が,変化点上の後続分布を効率的に構築するためにどのように利用できるかを示す。
• 参考スコア（独自算出の注目度）: 13.17338451976117
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the problem of identifying change points in high-dimensional generalized linear models, and propose an approach based on sample-weighted empirical risk minimization. Our method, Weighted ERM, encodes priors on the change points via weights assigned to each sample, to obtain weighted versions of standard estimators such as M-estimators and maximum-likelihood estimators. Under mild assumptions on the data, we obtain a precise asymptotic characterization of the performance of our method for general Gaussian designs, in the high-dimensional limit where the number of samples and covariate dimension grow proportionally. We show how this characterization can be used to efficiently construct a posterior distribution over change points. Numerical experiments on both simulated and real data illustrate the efficacy of Weighted ERM compared to existing approaches, demonstrating that sample weights constructed with weakly informative priors can yield accurate change point estimators. Our method is implemented as an open-source package, weightederm, available in Python and R.
• Abstract（参考訳）: 本研究では,高次元一般化線形モデルにおける変化点同定の問題について検討し,サンプル重み付き経験的リスク最小化に基づくアプローチを提案する。 提案手法であるWeighted ERMは,各試料に割り当てられた重みによる変化点の先行情報を符号化し,M推定器や最大線量推定器などの標準推定器の重み付きバージョンを得る。 データに対する軽度な仮定の下で、サンプル数と共変次元が比例的に増加する高次元極限において、一般ガウス設計における手法の性能の正確な漸近的特徴を得る。 この特徴が,変化点上の後続分布を効率的に構築するためにどのように利用できるかを示す。 シミュレーションデータと実データの両方に関する数値実験では、従来の手法と比較して重み付きEMMの有効性が示され、弱い事前情報で構築された試料重量が正確な変化点推定値が得られることを示した。 提案手法は,Python および R で利用可能なオープンソースパッケージである weightederm として実装されている。

関連論文リスト

• Simulation-Based Inference via Regression Projection and Batched Discrepancies [1.9435397960631862]
  我々は,観測データの回帰に基づく投影のみを用いて,シミュレーションパラメータを推論する軽量なシミュレーションベース推論手法を解析した。 DREAMSシミュレーションスイートを用いたトラクタブル非線形モデルと宇宙キャリブレーションタスクの実験は、回帰ベースの射影の計算上の利点を示している。
  論文  参考訳（メタデータ） (2026-02-03T15:07:40Z)
• Multivariate root-n-consistent smoothing parameter free matching estimators and estimators of inverse density weighted expectations [51.000851088730684]
  我々は、パラメトリックな$sqrt n $-rateで収束する、最も近い隣人の新しい修正とマッチング推定器を開発する。 我々は,非パラメトリック関数推定器は含まないこと,特に標本サイズ依存パラメータの平滑化には依存していないことを強調する。
  論文  参考訳（メタデータ） (2024-07-11T13:28:34Z)
• Geometry-Aware Instrumental Variable Regression [56.16884466478886]
  本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。 本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
  論文  参考訳（メタデータ） (2024-05-19T17:49:33Z)
• Inferring Change Points in High-Dimensional Regression via Approximate Message Passing [13.296007624690974]
  信号と変化点位置の両方を推定するための近似メッセージパッシング(AMP)アルゴリズムを提案する。 パラメータ数$p$がサンプル数$n$に比例する高次元極限において、その性能を厳格に特徴づける。 高次元極限における変化点上のベイズ後部分布を効率よく計算するために,我々のAMPイテレートをどのように利用できるかを示す。
  論文  参考訳（メタデータ） (2024-04-11T15:57:12Z)
• Aggregation Weighting of Federated Learning via Generalization Bound Estimation [65.8630966842025]
  フェデレートラーニング(FL)は通常、サンプル比率によって決定される重み付けアプローチを使用して、クライアントモデルパラメータを集約する。 上記の重み付け法を,各局所モデルの一般化境界を考慮した新しい戦略に置き換える。
  論文  参考訳（メタデータ） (2023-11-10T08:50:28Z)
• Preferential Subsampling for Stochastic Gradient Langevin Dynamics [3.158346511479111]
  勾配MCMCは、データの小さな一様重み付きサブサンプルを持つ対数姿勢の勾配をバイアスなく見積もっている。 得られた勾配推定器は、高いばらつきおよび衝撃サンプリング性能を示すことができる。 このような手法は,使用中の平均サブサンプルサイズを大幅に削減しつつ,同じレベルの精度を維持することができることを示す。
  論文  参考訳（メタデータ） (2022-10-28T14:56:18Z)
• SUMO: Unbiased Estimation of Log Marginal Probability for Latent Variable Models [80.22609163316459]
  無限級数のランダム化トランケーションに基づく潜在変数モデルに対して、ログ境界確率の非バイアス推定器とその勾配を導入する。 推定器を用いてトレーニングしたモデルは、同じ平均計算コストに対して、標準的な重要度サンプリングに基づくアプローチよりも優れたテストセット確率を与えることを示す。
  論文  参考訳（メタデータ） (2020-04-01T11:49:30Z)
• Estimating Gradients for Discrete Random Variables by Sampling without Replacement [93.09326095997336]
  我々は、置換のないサンプリングに基づいて、離散確率変数に対する期待値の偏りのない推定器を導出する。 推定器は3つの異なる推定器のラオ・ブラックウェル化として導出可能であることを示す。
  論文  参考訳（メタデータ） (2020-02-14T14:15:18Z)

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。