Fugu-MT 論文翻訳(概要): Debiased Machine Learning: Identification, Estimation, and Shape Constraints

論文の概要: Debiased Machine Learning: Identification, Estimation, and Shape Constraints

arxiv url: http://arxiv.org/abs/2607.24472v1
Date: Mon, 27 Jul 2026 14:08:15 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-28 22:34:15.451283
Title: Debiased Machine Learning: Identification, Estimation, and Shape Constraints
Title（参考訳）: Debiased Machine Learning: 識別、推定、形状制約
Abstract要約: 自動脱バイアス機械学習(DML)のための識別と推定のための一般的なフレームワークを開発する。この同定は、$_$が二次汎函数を一意に最適化するときに正確に発生することを示す。形状制約を$_$に組み込むことで、推定精度を向上し、次元の呪いを軽減する。
参考スコア（独自算出の注目度）: 2.1697238777468155
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We develop a general framework of identification and estimation for automatic debiased machine learning (DML) where the parameter of interest $θ_0$ is identified by a moment condition involving a nuisance $γ_0$ that may be high dimensional. DML leverages machine learning to estimate $γ_0$ while correcting for regularization and overfitting biases that may otherwise transmit to biased estimation of $θ_0$. We establish conditions under which the Riesz representer $α_0$, which is at the core of DML, is identified, and show that the identification occurs precisely when $α_0$ uniquely optimizes a quadratic functional. This characterization enables us to develop a general estimation procedure for $α_0$ that allows for generic $γ_0$ including those defined by models with endogeneity and encompasses both classical sieves and modern architectures such as deep neural networks. To improve estimation precision and mitigate the curse of dimensionality, we incorporate shape constraints on $γ_0$ by embedding them into a possibly nonlinear parameter space. We illustrate our estimation procedure through simulations and empirical applications.
Abstract（参考訳）: 本研究では、興味のある$θ_0$のパラメータが高次元であるようなニュアンス$γ_0$を含むモーメント条件によって識別される、自動脱バイアス機械学習(DML)の同定と推定の一般的な枠組みを開発する。 DMLは機械学習を利用して$γ_0$を推定し、正規化を補正し、そうでなければ$θ_0$のバイアス推定に伝達されるバイアスを過度に適合させる。 DML のコアである Riesz 表現子 $α_0$ が識別される条件を確立し、その識別が、$α_0$ が二次汎函数を一意に最適化するときに正確に発生することを示す。この特徴付けにより、内在性を持つモデルによって定義されたモデルを含む一般的な$γ_0$に対して、古典的なシーブとディープニューラルネットワークのようなモダンなアーキテクチャの両方を包含する、$α_0$の一般的な推定手順を開発することができる。推定精度を向上し,次元の呪いを軽減するため,非線型パラメータ空間に埋め込むことで,$γ_0$の形状制約を組み込む。シミュレーションと経験的応用による推定手順について説明する。

関連論文リスト

Replica Symmetry Breaking and Algorithmic Thresholds in Empirical Risk Minimization under Multi-Index Model [12.775038922010452]
現代の機械学習モデルは、高次元の非次元経験的リスク関数を最適化することによって最適化される。簡単な教師付き学習環境の中で,経験的リスク景観の正確な画像を作成する。近似的インクリメンタルメッセージパッシング(ImAMP)アルゴリズムを提案する。
論文参考訳（メタデータ） (2026-06-26T19:57:08Z)
Machine Learning Surrogate Modeling for Homogenization of Hyperelastic Materials with Boolean Microstructures [0.0]
データ駆動サロゲートモデルは、異種物質の数値的均質化の代替となる。ニューラルネットワークはスカラーと曲線の統計記述子の組み合わせに基づいて訓練される。パラメータ空間の制限ケースを表す追加データは、トレーニングを安定させ、外挿動作を改善するために組み込まれている。
論文参考訳（メタデータ） (2026-05-31T00:51:52Z)
Informative Perturbation Selection for Uncertainty-Aware Post-hoc Explanations [7.226144684379189]
信頼と倫理的な懸念は、不透明な機械学習(ML)モデルが広く展開することによるものであり、信頼性のあるモデル説明の必要性を動機付けている。ポストホックモデルに依存しない説明法は、興味のあるサンプルの局所性においてデプロイされたブラックボックスMLモデルの振る舞いを近似する代理モデルを学ぶことでこの問題に対処する。本稿では,情報理論の積極的学習問題として摂動選択を定式化する,ポストホックモデルに依存しない説明フレームワークであるemphExpected Active Gain for Local Explanations (textttEAGLE)を提案する。
論文参考訳（メタデータ） (2026-03-16T06:48:56Z)
The Sample Complexity of Online Reinforcement Learning: A Multi-model Perspective [55.15192437680943]
連続状態と行動空間を持つ非線形力学系の一般設定におけるオンライン強化学習のサンプル複雑性について検討した。我々のアルゴリズムは、$mathcalO(N epsilon2 + Mathrmln(m(epsilon)/epsilon2)$のポリシーを後悔する。力学がコンパクトで実数値のパラメータ集合によってパラメータ化される特別な場合、$mathcalO(sqrt)のポリシー後悔を証明する。
論文参考訳（メタデータ） (2025-01-27T10:01:28Z)
Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。このような問題は医学、物理学、機械学習で発生する。両種類の雑音下で提案アルゴリズムの収束保証を行う。
論文参考訳（メタデータ） (2024-11-21T10:26:17Z)
Computational-Statistical Gaps in Gaussian Single-Index Models [77.1473134227844]
単次元モデル(Single-Index Models)は、植木構造における高次元回帰問題である。我々は,統計的クエリ (SQ) と低遅延多項式 (LDP) フレームワークの両方において,計算効率のよいアルゴリズムが必ずしも$Omega(dkstar/2)$サンプルを必要とすることを示した。
論文参考訳（メタデータ） (2024-03-08T18:50:19Z)
On the Identifiability and Estimation of Causal Location-Scale Noise Models [122.65417012597754]
位置スケール・異方性雑音モデル(LSNM)のクラスについて検討する。症例によっては, 因果方向が同定可能であることが示唆された。我々は,LSNMの2つの推定器を提案し,その1つは(非線形)特徴写像に基づく推定器と,1つはニューラルネットワークに基づく推定器を提案する。
論文参考訳（メタデータ） (2022-10-13T17:18:59Z)
Towards Instance-Wise Calibration: Local Amortized Diagnostics and Reshaping of Conditional Densities (LADaR) [2.6852053271659257]
本稿では,LADaR(Local Amortized Diagnostics and Reshaping of Conditional Densities)フレームワークを紹介する。解釈可能な局所診断を生成し、条件密度推定を調整するメカニズムを提供する。 $textttCal-PIT$は、キャリブレーションデータから単一の解釈可能な局所確率マップを学習する。
論文参考訳（メタデータ） (2022-05-29T03:52:44Z)
Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文参考訳（メタデータ） (2021-11-15T09:08:27Z)
Sinkhorn Natural Gradient for Generative Models [125.89871274202439]
本研究では,シンクホーンの発散による確率空間上の最も急降下法として機能するシンクホーン自然勾配(SiNG)アルゴリズムを提案する。本稿では,SiNG の主要成分であるシンクホーン情報行列 (SIM) が明示的な表現を持ち,対数的スケールの複雑さを正確に評価できることを示す。本実験では,SiNGと最先端のSGD型解法を定量的に比較し,その有効性と有効性を示す。
論文参考訳（メタデータ） (2020-11-09T02:51:17Z)
Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文参考訳（メタデータ） (2020-09-29T12:50:33Z)

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。