論文の概要: Likelihood-free inference with nuisance parameters through normalizing flows

• arxiv url: http://arxiv.org/abs/2609.10534v1
• Date: Wed, 09 Sep 2026 17:58:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:09.141999
• Title: Likelihood-free inference with nuisance parameters through normalizing flows
• Title（参考訳）: 正規化フローによるニュアンスパラメータによる自由度推論
• Abstract要約: 統計学は、その$p$-値と一様値の最小平均KL偏差という意味でほぼピボアルであることを示す。 統計学の次元がパラメータの次元と等しくなると、優れたパワーが期待できると主張する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a simple decomposition of a neural-network-based normalizing flow that naturally uncovers a pivotal statistic (or something close) in the presence of nuisance parameters, based only on a sample generator from the distribution of interest. We show that the statistic is near-pivotal in the sense of minimum average KL-divergence of its $p$-values versus uniform and we argue that it can be expected to have good power when the dimension of the statistic equals the dimension of the parameter. It is able to incorporate prior knowledge about group invariances such as translation and scale. It can discover the one-sample $t$-test almost exactly, outperforms the Welch test in terms of worst-case size over a constrained variance-ratio range and achieves good calibration on partial biserial correlations, while showing higher power (and being much faster) on small-to-moderate samples than profile likelihood-ratio techniques.
• Abstract（参考訳）: 本稿では,ニューラルネットワークをベースとした正規化フローの簡単な分解を行い,興味の分布からサンプル生成器のみをベースとした,ニュアンスパラメータの存在下での主観的統計量(あるいはそれに近いもの)を自然に発見する。 統計学の次元がパラメータの次元と等しくなると、その統計学は、その$p$-値の最小平均KL偏差の意味では、ほぼピボアルであることを示す。 翻訳やスケールといったグループ不変性に関する事前知識を組み込むことができる。 ほぼ正確には1サンプル$t$-testを発見し、制限された分散比範囲で最悪のケースサイズでウェルチ試験を上回り、部分的双対相関のキャリブレーションを良く達成し、プロファイル確率比の手法よりも小さいサンプルに対して高いパワー(そしてはるかに速い)を示す。

関連論文リスト

• Assessing One-Dimensional Cluster Stability by Extreme-Point Trimming [0.0]
  本研究では, 一次元試料のテール挙動と幾何学的安定性を評価するための確率的手法を開発した。 有限サンプル補正を含む解析式は、一様仮説とガウス仮説の両方の下で期待される縮退について導出する。 我々はさらにクラスタリングパイプライン(DBSCANなど)に統合し、密度推定やパラメータチューニングなしに1次元のクラスタを検証する能力を示す。
  論文  参考訳（メタデータ） (2025-08-29T21:52:15Z)
• Size-adaptive Hypothesis Testing for Fairness [8.315080617799445]
  我々は、公正性評価を証拠に基づく統計的決定に変換する統一的、サイズ適応的、仮説テストフレームワークを導入する。 統計的パリティ差に対して中央限の結果が証明され、解析的信頼区間と、タイプI(偽陽性)エラーがレベル$alpha$で保証されるウォルド試験が導かれる。 小さな交叉群の長い尾に対して、完全ベイズ的ディリクレ・マルチノミカル推定器を導出する。
  論文  参考訳（メタデータ） (2025-06-12T11:22:09Z)
• Nonparametric logistic regression with deep learning [1.0589208420411012]
  非パラメトリックロジスティック回帰では、クルバック・リーバーの発散は容易に発散できる。 余剰リスクを解析する代わりに、最大可能性推定器の一貫性を示すのに十分である。 重要な応用として、完全に接続されたディープニューラルネットワークを持つNPMLEの収束率を導出する。
  論文  参考訳（メタデータ） (2024-01-23T04:31:49Z)
• Optimal minimax rate of learning nonlocal interaction kernels [6.521340666211977]
  交換可能な分布の広いクラスに対して$betageq 1/4$のとき、最適収束率を達成するテーマ最小二乗推定器(tLSE)を導入する。 より低いミニマックス速度はファノ・ツィバコフ仮説試験法を用いて導出される。
  論文  参考訳（メタデータ） (2023-11-28T15:01:58Z)
• The Minimax Risk in Testing Uniformity of Poisson Data under Missing Ball Alternatives [8.285441115330944]
  本研究では,多くのカテゴリーからポアソン分布に至るまでの項目の出現の適合性を検証することの課題について検討する。 この問題のミニマックスリスクを、期待されるサンプル数$n$とカテゴリ数$N$が無限大になるものとして特徴づける。
  論文  参考訳（メタデータ） (2023-05-29T14:26:42Z)
• Statistical Efficiency of Score Matching: The View from Isoperimetry [96.65637602827942]
  本研究では, スコアマッチングの統計的効率と推定される分布の等尺性との間に, 密接な関係を示す。 これらの結果はサンプル状態と有限状態の両方で定式化する。
  論文  参考訳（メタデータ） (2022-10-03T06:09:01Z)
• Near-optimal inference in adaptive linear regression [60.08422051718195]
  最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。 我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。 我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-07-05T21:05:11Z)
• SLOE: A Faster Method for Statistical Inference in High-Dimensional Logistic Regression [68.66245730450915]
  実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。 私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
  論文  参考訳（メタデータ） (2021-03-23T17:48:56Z)
• Distributionally Robust Parametric Maximum Likelihood Estimation [13.09499764232737]
  パラメトリックな名目分布に対して,最悪の場合のログロスを均一に最小化する,分布的に頑健な最大確率推定器を提案する。 我々の新しい頑健な推定器は、統計的整合性も享受し、回帰と分類の両方に有望な実験結果を提供する。
  論文  参考訳（メタデータ） (2020-10-11T19:05:49Z)
• Rao-Blackwellizing the Straight-Through Gumbel-Softmax Gradient Estimator [93.05919133288161]
  一般的なGumbel-Softmax推定器のストレートスルー変量の分散は、ラオ・ブラックウェル化により減少できることを示す。 これは平均二乗誤差を確実に減少させる。 これは分散の低減、収束の高速化、および2つの教師なし潜在変数モデルの性能向上につながることを実証的に実証した。
  論文  参考訳（メタデータ） (2020-10-09T22:54:38Z)
• An Investigation of Why Overparameterization Exacerbates Spurious Correlations [98.3066727301239]
  この動作を駆動するトレーニングデータの2つの重要な特性を特定します。 モデルの"記憶"に対する帰納的バイアスが,パラメータ化の超過を損なう可能性を示す。
  論文  参考訳（メタデータ） (2020-05-09T01:59:13Z)
• 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)
• Minimax Optimal Estimation of KL Divergence for Continuous Distributions [56.29748742084386]
  Kullback-Leibler の同一および独立に分布するサンプルからの発散は、様々な領域において重要な問題である。 単純で効果的な推定器の1つは、これらのサンプル間の近辺 k に基づいている。
  論文  参考訳（メタデータ） (2020-02-26T16:37:37Z)

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。