論文の概要: SPARK: A General Goodness-of-Fit Assessment via Residual Projection
- arxiv url: http://arxiv.org/abs/2609.37705v1
- Date: Tue, 29 Sep 2026 14:40:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.639081
- Title: SPARK: A General Goodness-of-Fit Assessment via Residual Projection
- Title（参考訳）: SPARK: 残留射影による汎用的適合性評価
- Abstract要約: 本稿では,従来の統計モデルや一般的なブラックボックス学習手法に適用可能な,適合性試験のための一般的なフレームワークを提案する。
シミュレーションと実データ解析は,提案手法の有効性と柔軟性を示す。
- 参考スコア（独自算出の注目度）: 8.835245570137483
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Goodness-of-fit testing is a basic tool for assessing whether a fitted procedure has captured the systematic information contained in the covariates. While traditional theory has largely focused on parametric regression models, modern data analysis increasingly relies on flexible black-box learners, whose predictive success alone is insufficient to assess model accuracy. In this paper, we propose SPARK, a general framework for goodness-of-fit testing that applies to traditional statistical models and general black-box learning procedures, continuous and binary responses, and low- and high-dimensional predictors. Based on a debiasing strategy, the residuals from an initial fit of a learning procedure are projected onto nearly orthogonal directions to extract any remaining signal. To capture information across all projection directions, we propose a kernel-based projection method and establish both its asymptotic properties and the consistency of a bootstrap procedure. Comprehensive simulations and real data analyses illustrate the effectiveness and flexibility of our proposed method.
- Abstract（参考訳）: 適合性試験は、適合したプロシージャが共変量に含まれる系統情報をキャプチャしたかどうかを評価するための基本的なツールである。
従来の理論は主にパラメトリック回帰モデルに焦点を当ててきたが、現代のデータ分析はより柔軟なブラックボックス学習者に依存しており、モデル精度を評価するには予測的成功だけでは不十分である。
本稿では,従来の統計モデルと一般的なブラックボックス学習手法,連続応答と二値応答,低次元および高次元予測器に適用可能な,適合性試験のための一般的なフレームワークであるSPARKを提案する。
偏りの戦略に基づいて、学習手順の初期適合からの残余をほぼ直交方向に投影し、残余の信号を抽出する。
提案手法は,全ての投影方向の情報を捕捉し,その漸近特性とブートストラップ手順の整合性の両方を確立する。
シミュレーションと実データ解析は,提案手法の有効性と柔軟性を示す。
関連論文リスト
- Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。
このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。
多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
論文 参考訳（メタデータ） (2026-05-28T13:26:53Z) - Elements of Conformal Prediction for Statisticians [17.012816639498023]
コンフォーマル予測は、予測推論のための急速に成長する代替フレームワークとして現れている。
本稿では、共形予測のコアアイデアと、選択した方法のレビューについて説明する。
論文 参考訳（メタデータ） (2026-03-25T04:28:00Z) - A Unified Framework for Inference with General Missingness Patterns and Machine Learning Imputation [12.350330523619336]
本稿では,一般的なZ推定問題に対して有効な統計的推論フレームワークを提供する新しい手法を提案する。
中心となる技術的な考え方は、観察を異なる欠落パターンで階層化し、パターン固有の情報を適切に重み付け、集約することで推定器を構築することである。
提案した推定器の正規性の理論的保証と重み付き完全ケース解析に対する効率優位性を提供する。
論文 参考訳（メタデータ） (2025-08-21T01:59:59Z) - TULiP: Test-time Uncertainty Estimation via Linearization and Weight Perturbation [11.334867025651233]
OOD検出のための理論駆動型不確実性推定器TULiPを提案する。
本手法では,収束前にネットワークに適用される仮説的摂動を考察する。
提案手法は,特に近分布試料について,最先端の性能を示す。
論文 参考訳（メタデータ） (2025-05-22T17:16:41Z) - Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。
第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。
第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
論文 参考訳（メタデータ） (2025-02-11T19:24:09Z) - Beyond Scaling: Measuring and Predicting the Upper Bound of Knowledge Retention in Language Model Pre-Training [68.94373533768501]
我々は、知識保持をモデル化し、そのコーパスから事実情報を記憶するための事前学習言語モデルの能力を示し、学習前にそれを推定する原則的手法を導入する。
本稿では,知識周波数,知識特異度,モデルサイズを統合し,クローズドブック質問応答(QA)の精度を予測する情報理論予測器である,サイズ依存型相互情報(SMI)を提案する。
論文 参考訳（メタデータ） (2025-02-06T13:23:53Z) - Unmasking Bias in Diffusion Model Training [40.90066994983719]
拡散モデルが画像生成の主流のアプローチとして登場した。
トレーニングの収束が遅く、サンプリングのカラーシフトの問題に悩まされている。
本稿では,これらの障害は,既定のトレーニングパラダイムに固有のバイアスや準最適性に大きく起因していると考えられる。
論文 参考訳（メタデータ） (2023-10-12T16:04:41Z) - Surrogate uncertainty estimation for your time series forecasting black-box: learn when to trust [2.0393477576774752]
本研究では不確実性推定手法を紹介する。
妥当な不確実性推定を伴うベース回帰モデルを強化する。
各種時系列予測データを用いて, 代理モデルに基づく手法により, 精度の高い信頼区間が得られることがわかった。
論文 参考訳（メタデータ） (2023-02-06T14:52:56Z) - SAMBA: Safe Model-Based & Active Reinforcement Learning [59.01424351231993]
SAMBAは、確率論的モデリング、情報理論、統計学といった側面を組み合わせた安全な強化学習のためのフレームワークである。
我々は,低次元および高次元の状態表現を含む安全な力学系ベンチマークを用いて,アルゴリズムの評価を行った。
アクティブなメトリクスと安全性の制約を詳細に分析することで,フレームワークの有効性を直感的に評価する。
論文 参考訳（メタデータ） (2020-06-12T10:40:46Z)
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。