論文の概要: Learning-Enabled Estimation: Tight Characterizations under Sample Selection Biases
- arxiv url: http://arxiv.org/abs/2609.38608v1
- Date: Tue, 29 Sep 2026 22:10:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:26.796042
- Title: Learning-Enabled Estimation: Tight Characterizations under Sample Selection Biases
- Title（参考訳）: 学習可能推定:サンプル選択バイアスによるタイト評価
- Abstract要約: サンプル選択バイアスの存在下で回帰が可能である場合のキャラクタリゼーションを提供する。
特徴付けの要約として,選択フィルタ自体ができない場合でも,回帰関数を識別できる設定が存在することを示す。
また、明確な収束率を持つ有限サンプル推定保証を確立し、オラクル効率のアルゴリズムを提供する。
- 参考スコア（独自算出の注目度）: 11.001675921293987
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: When can we learn from biased samples? We study regression when outcomes are observed only after passing through selection filters that depend on both covariates and outcomes themselves, a ubiquitous challenge spanning clinical trials with patient dropout, labor markets with self-selection, and auctions with strategic entry. Ignoring such selection yields systematically biased conclusions with real-world consequences. This challenge has a long history in econometrics and statistics, starting with Heckman's seminal two-stage model and followed by numerous generalizations. While these works provide various sufficient conditions for identification, a complete characterization of when such regression is possible has remained elusive. In this work, we provide a characterization for when regression is possible in the presence of sample selection bias. Our results establish the minimal assumptions required on the functional forms of selection processes under which regression remains possible, which are particularly relevant in modern settings where selection mechanisms are increasingly complex and opaque. As a corollary of our characterization, we show that there are settings where the regression function can be identified even when the selection filter itself cannot. This observation already goes beyond the ``estimate selection filter, then debias regression'' paradigm that is followed by virtually all existing approaches. Under natural strengthenings of our identification conditions, we also establish finite-sample estimation guarantees with explicit convergence rates and provide oracle-efficient algorithms. This yields the first general-purpose estimation method for this broad class of selection problems. Finally, we explore the implications of our results for several well-studied econometric settings with complex selection mechanisms such as auctions with entry costs and labor markets.
- Abstract（参考訳）: 偏りのあるサンプルからいつ学べるか?
本研究は,共変量と結果自体に依存する選択フィルタを通過した後にのみ結果が観察される場合,患者退院を伴う臨床試験,自己選択を伴う労働市場,戦略的参入を伴う競売等にまたがるユビキタスな課題について検討する。
このような選択を無視すると、実世界の結果と体系的に偏った結論が得られる。
この挑戦は、エコノメトリと統計学の長い歴史を持ち、ヘックマンの初等二段階モデルから始まり、さらに多くの一般化が続く。
これらの研究は同定に十分な条件を提供するが、そのような回帰がいつ可能かの完全な特徴付けはいまだ解明されていない。
本研究では,サンプル選択バイアスの存在下で回帰がいつ可能かを示す。
この結果から, 選択機構が複雑で不透明な現代環境において, 回帰が引き続き可能である機能的な選択過程に必要となる最小限の仮定が確立された。
特徴付けの要約として,選択フィルタ自体ができない場合でも,回帰関数を識別できる設定が存在することを示す。
この観察は、事実上すべての既存のアプローチが従う ‘estimate selection filter, then debias regression'' パラダイムをすでに超越している。
同定条件の自然な強化の下で、明示的な収束率を持つ有限サンプル推定保証を確立し、オラクル効率のアルゴリズムを提供する。
これにより、この幅広い選択問題に対する最初の汎用的推定法が得られる。
最後に,導入コストを伴うオークションや労働市場といった複雑な選択機構を備えた,よく研究されたエコノメトリ・セッティングについて,この結果がもたらす意味について考察する。
関連論文リスト
- Overcoming Selection Bias in Statistical Studies With Amortized Bayesian Inference [1.9709458230153813]
選択バイアスは、観測がデータセットに入る確率が興味の量に関連する変数に依存するときに生じる。
我々は、選択を神経後部推定に明示的に組み込むバイアス対応シミュレーションベースの推論フレームワークを開発した。
論文 参考訳（メタデータ） (2026-04-20T14:20:16Z) - Stochastic Encodings for Active Feature Acquisition [100.47043816019888]
Active Feature Acquisitionは、インスタンスワイドでシーケンシャルな意思決定問題である。
目的は、テストインスタンスごとに独立して、現在の観測に基づいて計測する機能を動的に選択することである。
一般的なアプローチは強化学習(Reinforcement Learning)であり、トレーニングの困難を経験する。
我々は、教師付きで訓練された潜在変数モデルを導入し、潜在空間における観測不能な実現の可能性の多くにまたがる特徴を推論することで獲得する。
論文 参考訳（メタデータ） (2025-08-03T23:48:46Z) - Detecting and Identifying Selection Structure in Sequential Data [53.24493902162797]
我々は,音楽のシーケンスなどの実践的な状況において,潜在目的に基づくデータポイントの選択的包摂が一般的である,と論じる。
選択構造はパラメトリックな仮定や介入実験なしで識別可能であることを示す。
また、他の種類の依存関係と同様に、選択構造を検知し、識別するための証明可能な正当性アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-06-29T20:56:34Z) - Causal Feature Selection via Transfer Entropy [59.999594949050596]
因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。
本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。
精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
論文 参考訳（メタデータ） (2023-10-17T08:04:45Z) - Generalization within in silico screening [19.58677466616286]
シリカスクリーニングでは、予測モデルを使用して、実験的な検証のためにライブラリから好ましい特性を持つ化合物のバッチを選択する。
学習理論を拡張することにより、選択政策の選択性は一般化に大きな影響を及ぼすことを示す。
モデルがバッチで望ましい結果のごく一部を予測できる能力を考えると,一般化が著しく向上できることが示される。
論文 参考訳（メタデータ） (2023-07-18T16:01:01Z) - Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。
また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。
様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
論文 参考訳（メタデータ） (2023-02-22T14:50:24Z) - In Search of Insights, Not Magic Bullets: Towards Demystification of the
Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。
選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
論文 参考訳（メタデータ） (2023-02-06T16:55:37Z) - Informed Down-Sampled Lexicase Selection: Identifying productive
training cases for efficient problem solving [40.683810697551166]
遺伝的プログラミング(GP)は、しばしば大きなトレーニングセットを使用し、選択中にすべてのトレーニングケースですべての個人を評価する必要がある。
ランダムダウンサンプリングレキシケースの選択は、トレーニングケースのランダムなサブセットのみの個人を評価し、同じプログラム実行量でより多くの個人を探索できるようにする。
Informed Down-Sampled Lexicase Selectionでは、人口統計を用いて、より明瞭で情報的な訓練ケースを含むダウンサンプルを構築します。
論文 参考訳（メタデータ） (2023-01-04T08:47:18Z) - Flexible variable selection in the presence of missing data [0.0]
本稿では,非パラメトリックな変数選択アルゴリズムと多重計算を組み合わせることで,非ランダムなデータが存在する場合のフレキシブルなパネルの開発を行う。
提案手法の動作特性は良好であり,より高い分類性能と可変選択性能を有するパネルが得られた。
論文 参考訳（メタデータ） (2022-02-25T21:41:03Z) - Variable selection with missing data in both covariates and outcomes:
Imputation and machine learning [1.0333430439241666]
欠落したデータ問題は、健康研究で普遍的です。
機械学習はパラメトリックな仮定を弱める。
XGBoostとBARTは、さまざまな設定で最高のパフォーマンスを発揮します。
論文 参考訳（メタデータ） (2021-04-06T20:18:29Z)
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。