論文の概要: Semiparametrically Efficient Inference for Kernel Measures of Noise Heterogeneity

• arxiv url: http://arxiv.org/abs/2605.27526v1
• Date: Tue, 26 May 2026 18:01:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.389605
• Title: Semiparametrically Efficient Inference for Kernel Measures of Noise Heterogeneity
• Title（参考訳）: 騒音の不均一性のカーネル対策のための半パラメトリック効率的な推論
• Authors: Jakub Wornbard, Zikai Shen, Dimitri Meunier, Arthur Gretton,
• Abstract要約: 付加雑音モデルにおける雑音の不均一性のカーネル測度に対する半パラメトリック効率的な推定法を開発した。 我々は、コカリブレートと残留物の間のカーネルコ演算子の1ステップ1ステップ推定器を構築する。 そこで本研究では, ナイーブプラグイン残差法と比較してキャリブレーションとパワーが向上した。
• 参考スコア（独自算出の注目度）: 20.281748930003737
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop semiparametrically efficient inference for kernel measures of noise heterogeneity in additive noise models. In many applications, the regression function is estimated using flexible machine learning methods. Downstream procedures based on the resulting residuals can then inherit first-stage bias: regression error may induce spurious dependence between covariates and residuals, invalidating the assumptions needed for standard analysis. We construct a novel Hilbert-valued one-step estimator of the kernel covariance operator between covariates and residuals. Our estimator yields bootstrap-calibrated tests for residual independence and goodness of fit in additive noise models, while also providing asymptotically efficient confidence intervals for the kernel dependence measure under noise heterogeneity. The framework extends to settings with additional covariates, enabling inference on distributional heterogeneity of residual noise across treatment groups. Simulations show improved calibration and power relative to naive plug-in residual methods.
• Abstract（参考訳）: 付加雑音モデルにおける雑音の不均一性のカーネル測度に対する半パラメトリック効率的な推定法を開発した。 多くの応用において、回帰関数は柔軟な機械学習手法を用いて推定される。 回帰誤差は共変量と残差の間の急激な依存を誘発し、標準解析に必要な仮定を無効にする。 我々は、共変量と残基の間のカーネル共分散作用素のヒルベルト評価ワンステップ推定器を構築する。 我々の推定器は、残効独立性および付加雑音モデルに適合する良さのブートストラップ校正試験を行い、同時に、雑音の不均一性の下でのカーネル依存度に対する漸近的に効率的な信頼区間を提供する。 このフレームワークは、追加の共変量による設定にまで拡張され、治療群間の残留雑音の分布の不均一性の推定を可能にした。 シミュレーションでは, ナイーブプラグイン残差法と比較してキャリブレーションとパワーが向上した。

関連論文リスト

• Robust Regression with Adaptive Contamination in Response: Optimal Rates and Computational Barriers [65.58071581164043]
  本研究では, 共変剤を清潔にし, 応答を適応的に劣化させる汚染モデルの下で, 頑健な回帰について検討する。 本研究では,ハマー汚染下で達成可能なものよりも優れた推定率を持つ推定器を構築するために,追加情報を慎重に活用できることを示す。 情報理論の観点からは、ハマーモデルよりも改善されているにもかかわらず、この問題が強い情報計算ギャップを示すという公式な証拠を提供する。
  論文  参考訳（メタデータ） (2026-04-05T19:07:24Z)
• Kernel Single-Index Bandits: Estimation, Inference, and Learning [3.1109381260263853]
  我々は、各アームの報酬が単一インデックスモデルに従う、有限個の動作を伴う文脈的包帯について研究する。 本稿では,Steinをベースとした指標パラメータ推定と逆プロペンシティ重み付きリッジ回帰を組み合わせた,カーネル化された$varepsilon$-greedyアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-03-19T14:15:16Z)
• A Stable Neural Statistical Dependence Estimator for Autoencoder Feature Analysis [6.697324698653934]
  相互情報などの依存度測定は、オートエンコーダの分析には最適であるが、決定論的、静的、ノイズフリーなネットワークには不適当である。 我々は、入力、潜伏剤、そして測定可能な再構成に依存させる変分(ガウス)定式化を採用する。 正則密度比分解に基づく安定な神経依存推定器を提案する。
  論文  参考訳（メタデータ） (2026-03-12T01:37:19Z)
• GaussDetect-LiNGAM:Causal Direction Identification without Gaussianity test [11.675718405602792]
  GaussDetect-LiNGAMは、明示的なGaussianityテストの必要性を排除する。 フォワードモデルノイズのガウス性は、逆モデルにおける回帰器と残留器の独立性と同値であることを示す。
  論文  参考訳（メタデータ） (2025-12-03T04:14:57Z)
• Optimal kernel regression bounds under energy-bounded noise [3.2093811507874768]
  カーネルベースの推定のために、厳密で漸近的でない不確実性を導出する。 カーネルベースの推定値に対して,厳密で計算が容易なバウンダリを返却する効果を示す。
  論文  参考訳（メタデータ） (2025-05-28T11:11:24Z)
• Variance-Reducing Couplings for Random Features [57.73648780299374]
  ランダム機能(RF)は、機械学習においてカーネルメソッドをスケールアップする一般的なテクニックである。 ユークリッド空間と離散入力空間の両方で定義されるRFを改善するための結合を求める。 パラダイムとしての分散還元の利点と限界について、驚くほどの結論に達した。
  論文  参考訳（メタデータ） (2024-05-26T12:25:09Z)
• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• Detecting Label Noise via Leave-One-Out Cross Validation [0.0]
  クリーンなサンプルと破損したサンプルの混合から実値のノイズラベルを同定し,修正するための簡単なアルゴリズムを提案する。 独立分散を伴う付加的なガウス雑音項をそれぞれと観測されたラベルに関連付けるヘテロ代用ノイズモデルを用いる。 提案手法は, 合成および実世界の科学データを用いた学習において, 劣化したサンプルを特定でき, より良い回帰モデルが得られることを示す。
  論文  参考訳（メタデータ） (2021-03-21T10:02:50Z)
• Sampling-free Variational Inference for Neural Networks with Multiplicative Activation Noise [51.080620762639434]
  サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。 提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
  論文  参考訳（メタデータ） (2021-03-15T16:16:18Z)
• Nonparametric Score Estimators [49.42469547970041]
  未知分布によって生成されたサンプルの集合からスコアを推定することは確率モデルの推論と学習における基本的なタスクである。 正規化非パラメトリック回帰の枠組みの下で、これらの推定器の統一的なビューを提供する。 カールフリーカーネルと高速収束による計算効果を享受する反復正規化に基づくスコア推定器を提案する。
  論文  参考訳（メタデータ） (2020-05-20T15:01:03Z)

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。