論文の概要: Horseshoe Priors for Spatial Small Area Estimation: Regular Variation, Tail Robustness, and Deep Learning

• arxiv url: http://arxiv.org/abs/2606.30659v1
• Date: Tue, 16 Jun 2026 14:46:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-05 17:01:29.611357
• Title: Horseshoe Priors for Spatial Small Area Estimation: Regular Variation, Tail Robustness, and Deep Learning
• Title（参考訳）: 空間的小面積推定に先立つホースシュー--規則的変動, タイルロバスト性, 深層学習
• Abstract要約: 小規模な地域推定は、直接調査推定器の精度の悪さを補うために、ドメイン間での強度を借りる。 不均等なサンプリング分散を既知の不均質なFay-Herriotモデルについて検討し、4つの貢献を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Small area estimation borrows strength across domains to repair the poor precision of direct survey estimators. Two philosophies dominate the area-level literature. The first, descending from Ghosh and Rao (1994), borrows strength through structured Gaussian smoothing: an intrinsic conditional autoregression or its BYM2 reparameterization pools each area towards its neighbours. The second borrows strength globally but acts locally through a heavy-tailed global-local prior on area effects, of which the horseshoe of Carvalho et al. (2010) is the canonical instance; Tang et al. (2018) first brought this idea to small area estimation. We study the horseshoe Fay-Herriot model with known unequal sampling variances and make four contributions. First, a tail-robustness theorem: through a heteroscedastic Tweedie identity the posterior mean leaves strongly signalled areas essentially unshrunk, bounding the influence of an outlying direct estimate, unlike Gaussian random-effect models. Second, standardizing by the known design variances transfers the minimax contraction and credible-set theory of the homoscedastic sequence model to the heteroscedastic Fay-Herriot problem; the posterior contracts at the nearly-black minimax rate, with a matching lower bound. Third, we give an account of when structured smoothing and global-local shrinkage each win. Fourth, an O(m) Gibbs sampler, simulations, and an analysis of the Scottish lip cancer data confirm the account: on strongly spatial data the smoother predicts held-out districts best, yet the horseshoe flags exceptional districts that smoothing suppresses. Throughout we argue, following the regular-variation theory of Bhadra et al. (2016), that these properties make the horseshoe a sound default prior for area effects: it borrows strength aggressively yet lets genuinely exceptional areas speak for themselves, with no tuning and no neighbourhood graph.
• Abstract（参考訳）: 小規模な地域推定は、直接調査推定器の精度の悪さを補うために、ドメイン間での強度を借りる。 2つの哲学が地域レベルの文学を支配している。 1つ目は、Ghosh と Rao (1994) から派生したものであり、構成されたガウススムージング(英語版)を通して強度を借用している。 第2部は世界規模で強度を借りるが、地域効果に先立って局所的に重く細身のグローバルな地域で作用し、Calvalho et al (2010) のホースシューが標準例となり、Tang et al (2018) はまずこのアイデアを小さな地域推定に導いた。 不均等なサンプリング分散を既知の不均質なFay-Herriotモデルについて検討し、4つの貢献を行う。 まず、テール・ロバスティネスの定理(英語版)(tail-robustness theorem): ヘテロセダスティック・ツイーディの恒等式を通して、後部平均葉は本質的には弱く、ガウス的ランダム効果モデルとは異なり、外向きの直接推定の影響を境界にしている。 第二に、既知の設計分散による標準化は、ホモスセダスティックシーケンスモデルのミニマックス縮約とクレディブルセット理論をヘテロスセダスティック・ファイ・ヘリオット問題(英語版)に転送する。 第3に、構造的平滑化とグローバル局所縮小のそれぞれの勝利について説明する。 第4に、O(m)ギブスのサンプル、シミュレーション、スコットランドの唇がんデータの解析により、この説明が裏付けられる: 強い空間的データにより、スムーズなデータは保留地区を最良に予測するが、ホースシューの旗は、スムーズな抑制を抑える例外的な地区を識別する。 Bhadra et al (2016) の正規変分理論に従えば、これらの性質は、馬靴を面積効果に先立って音質をデフォルトにする、と論じる。

関連論文リスト

• Structured Extrema Errors in Classical Surrogates for Viscous Burgers: A Physics-Consistent Interpretation [0.0]
  粘性バーガース方程式の時間発展を近似した機械学習サロゲートモデルの局所誤差について検討した。 4つのモデル全体において、ここで定義されている1ステップ残差は、各格子点における予測値を無視する真の値として定義され、予測された最大値と最小値の近くに明確な曲線の枝を形成する。 KRRのより詳細な分析により、これらの誤差は第1の空間微分よりも局所曲率を測定する第2の空間微分と強く関連していることが示された。
  論文  参考訳（メタデータ） (2026-09-07T20:17:58Z)
• When Do Local Score Models Extrapolate Across Size? A Diagnostic Theory and Benchmark [0.0]
  アーキテクチャの局所性だけでは、安定したサイズ外挿が保証されないことを示す。 我々はこの機構を定式化し、局所限界に対する大きさと一様の比較定理を証明した。 実験により,空間混合,平滑なスコア準局所性,およびモデル受容場間の相互作用を検証する。
  論文  参考訳（メタデータ） (2026-06-08T16:24:31Z)
• Regularized Online RLHF with Generalized Bilinear Preferences [68.44113000390544]
  一般的な嗜好を伴う文脈的オンラインRLHFの問題を考える。 一般化された双線形選好モデルを用いて、低ランクなスキュー対称行列による選好を捉える。 グリーディポリシーの双対ギャップは推定誤差の正方形によって有界であることを示す。
  論文  参考訳（メタデータ） (2026-02-26T15:27:53Z)
• Unregularized Linear Convergence in Zero-Sum Game from Preference Feedback [50.89125374999765]
  NLHFにおける最適乗算重み更新(mathtOMWU$)に対する最初の収束保証を提供する。 本分析では, 稀に発生する行動の確率が指数関数的に小さい値から指数関数的に増大する新たな限界収束挙動を同定する。
  論文  参考訳（メタデータ） (2025-12-31T12:08:29Z)
• Enhancing Adversarial Transferability by Balancing Exploration and Exploitation with Gradient-Guided Sampling [82.52485740425321]
  アドリアックは、ディープニューラルネットワークの堅牢性にとって重要な課題である。 敵攻撃の伝達性は、爆発(最大攻撃能力)と探索(クロスモデル一般化の促進)のジレンマに直面している
  論文  参考訳（メタデータ） (2025-11-01T05:43:47Z)
• Minimax optimal transfer learning for high-dimensional additive regression [0.0]
  まず,局所線形平滑化を考慮したスムーズなバックフィッティング推定法を提案する。 そこで我々は,移動学習フレームワーク内に新たな2段階推定手法を開発し,人口と経験レベルの理論的保証を提供する。
  論文  参考訳（メタデータ） (2025-09-08T03:16:05Z)
• Bayesian Double Descent [0.0]
  ディープニューラルネットワークはリスク関数に再帰性を持つことを示す。 モデルの複雑さが増加するにつれて、リスクはU字型の領域を示す。 パラメータの数が観測数と等しくなると、モデルはリスクを非バウンドにできるものの1つとなり、再帰する。
  論文  参考訳（メタデータ） (2025-07-09T23:47:26Z)
• Stein's unbiased risk estimate and Hyvärinen's score matching [9.035498732406039]
  経験的ベイズでは、主なアプローチは非パラメトリック最大推定(NPMLE)である。 私たちの設定では、Hyv"arinen氏の暗黙のSMは、統計学からの別の古典的アイデアと等価です。
  論文  参考訳（メタデータ） (2025-02-27T14:15:05Z)
• A U-turn on Double Descent: Rethinking Parameter Counting in Statistical Learning [68.76846801719095]
  二重降下がいつどこで起こるのかを正確に示し、その位置が本質的に閾値 p=n に結び付けられていないことを示す。 これは二重降下と統計的直観の間の緊張を解消する。
  論文  参考訳（メタデータ） (2023-10-29T12:05:39Z)
• Last-Iterate Convergence of Adaptive Riemannian Gradient Descent for Equilibrium Computation [52.73824786627612]
  本稿では,テクスト幾何学的強単調ゲームに対する新たな収束結果を確立する。 我々のキーとなる結果は、RGDがテクスト幾何学的手法で最終定位線形収束を実現することを示しています。 全体として、ユークリッド設定を超えるゲームに対して、幾何学的に非依存な最終点収束解析を初めて提示する。
  論文  参考訳（メタデータ） (2023-06-29T01:20:44Z)
• Universality in Anderson localization on random graphs with varying connectivity [0.0]
  W_E$の値を超える非エルゴディック領域があることが示される。 W_C$とは別の$W_E$は存在しないが、完全に発達したエルゴディディディティが$|W-W_C|-1$のように分岐する長さスケールが見つかる。 臨界点におけるこれらの2つのスケールの分離は、真の非エルゴード非局所化領域を可能にする。
  論文  参考訳（メタデータ） (2022-05-29T09:47:39Z)
• Random Forest Weighted Local Fréchet Regression with Random Objects [18.128663071848923]
  本稿では,新しいランダム森林重み付き局所Fr'echet回帰パラダイムを提案する。 最初の方法は、これらの重みを局所平均として、条件付きFr'echet平均を解くことである。 第二の手法は局所線形Fr'echet回帰を行い、どちらも既存のFr'echet回帰法を大幅に改善した。
  論文  参考訳（メタデータ） (2022-02-10T09:10:59Z)
• Direct Measure Matching for Crowd Counting [59.66286603624411]
  そこで本研究では,予測密度マップを散乱点付基底真理に直接回帰する測度に基づく新しい計数手法を提案する。 本稿では, シンクホーンの測位損失を計測するために設計した, 半平衡型のシンクホーン発散を導出する。
  論文  参考訳（メタデータ） (2021-07-04T06:37:33Z)
• Fundamental Limits and Tradeoffs in Invariant Representation Learning [99.2368462915979]
  多くの機械学習アプリケーションは、2つの競合する目標を達成する表現を学習する。 ミニマックスゲーム理論の定式化は、精度と不変性の基本的なトレードオフを表す。 分類と回帰の双方において,この一般的かつ重要な問題を情報論的に解析する。
  論文  参考訳（メタデータ） (2020-12-19T15:24:04Z)

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。