論文の概要: Can Tabular Foundation Models Amortize Statistical Inference?

• arxiv url: http://arxiv.org/abs/2609.33114v1
• Date: Sun, 27 Sep 2026 02:36:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 10:20:18.855293
• Title: Can Tabular Foundation Models Amortize Statistical Inference?
• Title（参考訳）: タブラルファウンデーションモデルは統計的推論を補正できるか?
• Abstract要約: 簡単なフォワードパスによって新しいデータセットに対する信頼区間を生成するアモータイズ推論システムであるTabConを開発した。 幅広いベンチマークデータセットを通じて、TabConは、短い信頼区間を生成しながら、ほぼノーミナルなカバレッジを実現している。
• 参考スコア（独自算出の注目度）: 10.616090057413812
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For decades, statistical inference has largely been developed one problem at a time. Given a scientific target, such as a treatment effect or a regression function, statisticians design a problem-specific estimator together with a procedure for quantifying its uncertainty. This paper proposes a different paradigm. We focus on a classical problem in statistical inference, confidence interval construction, and develop TabCon, an amortized inference system built on a tabular foundation model that produces confidence intervals for new datasets through a simple forward pass. The key methodological ingredients of TabCon are a sparse mixture-of-experts architecture and reinforcement-learning-based post-training that calibrate the resulting confidence intervals to a desired coverage level. Across a wide range of benchmark datasets, TabCon attains near-nominal coverage while producing short confidence intervals. At inference time, it also offers considerably greater computational efficiency, running 50 times faster than the classical bootstrap procedure, even when the latter uses only 50 bootstrap samples.
• Abstract（参考訳）: 何十年もの間、統計的推測は1つの問題に大きく発展してきた。 治療効果や回帰関数などの科学的目標が与えられた場合、統計学者はその不確実性を定量化する手順と共に問題固有の推定器を設計する。 本稿では,異なるパラダイムを提案する。 本稿では,統計的推測,信頼区間構築における古典的問題に焦点をあて,単純なフォワードパスを通じて新しいデータセットに対する信頼区間を生成する表層基盤モデル上に構築された償却推論システムであるTabConを開発する。 TabConの主要な方法論的要素は、スパース・オブ・エキスパートアーキテクチャと強化学習に基づくポストトレーニングであり、その結果の信頼区間を望ましいカバレッジレベルに調整する。 幅広いベンチマークデータセットを通じて、TabConは、短い信頼区間を生成しながら、ほぼノーミナルなカバレッジを実現している。 推論時には、50個のブートストラップサンプルしか使用していない場合でも、従来のブートストラップ手順よりも50倍高速に動作する。

関連論文リスト

• Conformal Reliability: A New Evaluation Metric for Conditional Generation [62.761166941396844]
  条件付き生成モデルは、近年、様々な応用において顕著な成功を収めている。 本稿では,信頼度を事前に設定した予測値に基づいて,信頼度という新たな評価指標を提案する。 本稿では, 予測セットの構築と, (ii) 構築した予測セット内の信頼性スコアを正確に最適化するフレームワークであるConformal Reliability(CReL)を紹介する。
  論文  参考訳（メタデータ） (2026-05-29T03:52:44Z)
• Resampling methods for private statistical inference [1.8110941972682346]
  我々は、信頼区間を異なるプライバシーで構築する作業について検討する。 データのパーティション上で実行される複数の"小さな"ブートストラップの結果の中央値をプライベートに計算する,非パラメトリックブートストラップの2つのプライベート変種を提案する。 固定された差分プライバシーパラメータ$epsilon$に対して、我々のメソッドは、サンプルサイズ$n$の対数係数内の非プライベートブートストラップと同じエラー率を享受します。
  論文  参考訳（メタデータ） (2024-02-11T08:59:02Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• Statistical Inference with Stochastic Gradient Methods under $\phi$-mixing Data [9.77185962310918]
  データが$phi$-mixingの場合の統計的推測のためのミニバッチSGD推定器を提案する。 信頼区間は、関連するミニバッチSGDプロシージャを用いて構成される。 提案手法はメモリ効率が高く,実装が容易である。
  論文  参考訳（メタデータ） (2023-02-24T16:16:43Z)
• Sequential Kernelized Independence Testing [77.237958592189]
  我々は、カーネル化依存度にインスパイアされたシーケンシャルなカーネル化独立試験を設計する。 シミュレーションデータと実データの両方にアプローチのパワーを実証する。
  論文  参考訳（メタデータ） (2022-12-14T18:08:42Z)
• 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)
• CoinDICE: Off-Policy Confidence Interval Estimation [107.86876722777535]
  強化学習における高信頼行動非依存のオフ政治評価について検討する。 様々なベンチマークにおいて、信頼区間推定が既存の手法よりも厳密で精度が高いことが示されている。
  論文  参考訳（メタデータ） (2020-10-22T12:39:11Z)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。