論文の概要: Estimate Level Adjustment For Inference With Proxies Under Random Distribution Shifts

• arxiv url: http://arxiv.org/abs/2605.06484v1
• Date: Thu, 07 May 2026 16:07:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.977244
• Title: Estimate Level Adjustment For Inference With Proxies Under Random Distribution Shifts
• Title（参考訳）: ランダム分布シフトの下でのプロキシによる推論のための推定レベル調整
• Authors: Steven Wilkins-Reeves, Alexandra N. M. Darmon, Deeksha Sinha,
• Abstract要約: 我々は、プロキシベースの推論をキャリブレーションするために、ドメイン適応技術にインスパイアされた推定レベルフレームワークを導入する。 このフレームワークは、パラメータレベルでのランダムな効果としてプロキシ・プライマリ・メトリックの相違をモデル化し、その分布を集計された歴史的観測から推定する。 さらに、公開データセットと実世界の実験を用いて、このアプローチを検証する。
• 参考スコア（独自算出の注目度）: 42.80341491181117
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many scientific domains, including experimentation, researchers rely on measurements of proxy outcomes to achieve faster and more frequent reads, especially when the primary outcome of interest is challenging to measure directly. While proxies offer a more readily accessible observation for inference, the ultimate goal is to draw statistical inferences about the primary outcome parameter and proxy data are typically imperfect in some ways. To correct for these imperfections, current statistical inference methods often depend on strict identifying assumptions (such as surrogacy, covariate/label shift, or missingness assumptions). These assumptions can be difficult to validate and may be violated by various additional sources of distribution shift, potentially leading to biased parameter estimates and miscalibrated uncertainty quantification. We introduce an estimate-level framework, inspired by domain adaptation techniques, to empirically calibrate proxy-based inference. This framework models the proxy-primary metric discrepancy as a random effect at the parameter level, estimating its distribution from aggregated historical observations across past domains (e.g., experiments, time periods, or distinct segments). This method avoids the requirement for retaining individual-level response data. Additionally, this adjustment can be layered on top of existing proxy-correction methods (such as prediction-powered inference or importance weighting) to account for additional biases not addressed by those corrections. To manage uncertainty when the number of historical domains is limited, we provide both a method-of-moments estimator and a domain bootstrap procedure. We further validate this approach using publicly available datasets and real-world experiments.
• Abstract（参考訳）: 実験を含む多くの科学分野において、研究者は、特に関心の最初の結果が直接測定することが困難である場合に、より速く、より頻繁な読解を達成するために、プロキシ結果の測定に依存している。 プロキシは推論に対してより容易にアクセス可能な観察を提供するが、最終的な目標は、一次結果パラメータに関する統計的推論を引き出すことであり、プロキシデータは通常、いくつかの点で不完全である。 これらの不完全性を修正するために、現在の統計的推測法は、しばしば厳密な特定仮定(代理性、共変量/ラベルシフト、欠落仮定など)に依存する。 これらの仮定は検証が困難であり、様々な分布シフトの源によって破られる可能性があり、偏りのあるパラメータ推定や不確実性の定量化につながる可能性がある。 我々は、プロキシベースの推論を実証的にキャリブレーションするために、ドメイン適応技術にインスパイアされた推定レベルフレームワークを導入する。 このフレームワークは、パラメータレベルでのプロキシ・プライマリ・メトリックの差分をランダムな効果としてモデル化し、過去の領域(例えば、実験、時間、または異なるセグメント)の集約された歴史的観測から分布を推定する。 この方法は、個々のレベルの応答データを保持する必要がなくなる。 さらに、この調整は既存のプロキシ補正手法(予測駆動推論や重み付けなど)の上に重ねて、これらの補正で対処されない追加のバイアスを考慮できる。 歴史的ドメイン数が制限された場合の不確実性を管理するため,本手法とドメインブートストラップ手順の両方を提供する。 さらに、公開データセットと実世界の実験を用いて、このアプローチを検証する。

関連論文リスト

• A Gentle Introduction to Conformal Time Series Forecasting [0.0]
  このレビューは、非交換可能データに対処するために特別に設計された共形予測手法の最近の進歩をまとめるものである。 まず,弱依存性条件下での分割等角予測に対する有限サンプル保証を導出する理論的基礎を提示する。 次に、キャリブレーションデータを再重み付けしたり、残留分布を動的に更新したり、ターゲットのカバレッジレベルをリアルタイムで調整したりすることで、シリアル依存を軽減する最先端のアプローチを調査し、分類する。
  論文  参考訳（メタデータ） (2025-11-17T17:12:51Z)
• Zono-Conformal Prediction: Zonotope-Based Uncertainty Quantification for Regression and Classification Tasks [41.14877380522394]
  コンフォーマル予測は、統計的に有効なカバレッジ保証を備えた予測セットでベース予測器を拡張するために使用される。 本稿では、間隔予測モデルとリーチセット・コンフォーマント同定にインスパイアされた新しいアプローチであるゾノ・コンフォーマル予測を導入する。 ゾノコンフォーマル予測器は間隔予測器モデルや標準共形予測法よりも保守的でないことを示す。
  論文  参考訳（メタデータ） (2025-08-14T19:03:28Z)
• Optimal Debiased Inference on Privatized Data via Indirect Estimation and Parametric Bootstrap [12.65121513620053]
  民営化されたデータに対する既存のパラメトリックブートストラップの使用は、クランプの効果を無視したり回避したりしていた。 本稿では,パラメータ値を連続的に推定するために間接推論手法を提案する。 本フレームワークは,信頼区間をよく校正したカバレッジで生成し,正しいI型誤差で仮説テストを行う。
  論文  参考訳（メタデータ） (2025-07-14T19:12:16Z)
• Automating the Selection of Proxy Variables of Unmeasured Confounders [16.773841751009748]
  既存のプロキシ変数推定器を拡張して、治療と結果の間に複数の未測定の共同創設者が存在するシナリオに対応する。 本稿では、プロキシ変数の選択と因果効果の偏りのない推定のための2つのデータ駆動手法を提案する。
  論文  参考訳（メタデータ） (2024-05-25T08:53:49Z)
• Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
  我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。 具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。 提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
  論文  参考訳（メタデータ） (2023-10-25T02:37:51Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Non-parametric Differentially Private Confidence Intervals for the Median [3.205141100055992]
  本稿では,中央値に対する有意な個人的信頼区間を計算するためのいくつかの戦略を提案し,評価する。 また、サンプリングからのエラーと出力の保護からのエラーという2つの不確実性源に対処することが、この不確実性を逐次的に組み込んだ単純なアプローチよりも望ましいことを示す。
  論文  参考訳（メタデータ） (2021-06-18T19:45:37Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• 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。