論文の概要: Learning Global Sensitivity Indices from Observational Data: A Metamodel-Based Approach

• arxiv url: http://arxiv.org/abs/2609.40342v1
• Date: Wed, 30 Sep 2026 17:58:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:28.346952
• Title: Learning Global Sensitivity Indices from Observational Data: A Metamodel-Based Approach
• Title（参考訳）: 観測データから世界感度指標を学習する:メタモデルに基づくアプローチ
• Abstract要約: 観測データからGSAのメタモデルに基づくアプローチであるMM-GSAを提案する。 MM-GSAは入力関連性に関する2つの相補的な視点を組み合わせる。 両尺度が入力関連性について補完的な情報を提供することを示す。
• 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: Classical variance-based Global Sensitivity Analysis (GSA) assumes that the input--output mechanism can be repeatedly evaluated under a designed sampling scheme, which is infeasible when only a given sample of observations is available. We propose MM--GSA, a metamodel-based approach to GSA from observational data, in which supervised learning approximates the systematic input--output relationship. MM--GSA combines two complementary perspectives on input relevance: a model-agnostic estimator of the first-order Sobol' index, quantifying the contribution of an input to the variability of the systematic response, and a new trigger-based structural index, quantifying how predictive performance depends on the availability of a predictor across alternative predictor subsets. We establish consistency for both estimators and a variable-selection property for the structural index under input independence. Monte Carlo experiments and an NHANES application illustrate their finite-sample behavior and show that the two measures provide complementary information on input relevance.
• Abstract（参考訳）: 古典的分散に基づくグローバル感性分析(GSA)は、入力出力機構を設計されたサンプリングスキームの下で繰り返し評価することができると仮定する。これは、観測データからGSAへのメタモデルベースのアプローチであるMM-GSAを提案する。MM-GSAは、教師あり学習が系統的な入力-出力関係を近似するものである。MM-GSAは、入力関連性に関する2つの補完的な視点を結合する: 1次ソボル指数のモデル非依存推定器で、系統的な応答の変動性に対する入力の寄与を定量化し、新しいトリガーベース構造指標と、予測器のサブセット間の可用性に依存する予測性能を定量化する。 我々は、入力独立性の下で、推定器と構造指標の変数選択特性の整合性を確立する。 モンテカルロの実験と NHANES の応用は、それらの有限サンプルの振る舞いを示し、2つの測度が入力関連性について補完的な情報を提供することを示す。

関連論文リスト

• K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
  K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。 提案手法はシミュレーションと実世界の応用を通して評価する。
  論文  参考訳（メタデータ） (2026-05-14T13:35:44Z)
• First-Order Efficiency for Probabilistic Value Estimation via A Statistical Viewpoint [18.696678371045216]
  本稿では,サンプリング法則を直接選択し,第1次MSEを最小化する効率性を考慮したサロゲート調整型推定器(EASE)を提案する。 我々は、EASEが様々な確率値に対して常に最先端の推定値を上回ることを実証する。
  論文  参考訳（メタデータ） (2026-05-04T17:02:17Z)
• A Theoretical Analysis of Mamba's Training Dynamics: Filtering Relevant Features for Generalization in State Space Models [36.99162631444728]
  単純だが代表的なマンバブロックに対する一般化と学習ダイナミクスの第一段階解析について述べる。 本研究は,トークンレベルのノイズの下で,クラス関連パターンとクラス関連パターンの両方を含むトークンを持つ構造化データモデルを採用する。 非漸近的なサンプル複雑性と収束率境界を確立することにより、モデルが保証された一般化を実現することを証明した。
  論文  参考訳（メタデータ） (2026-02-13T00:44:26Z)
• STAR : Bridging Statistical and Agentic Reasoning for Large Model Performance Prediction [78.0692157478247]
  本稿では,知識駆動型エージェント推論を用いて,データ駆動型静的予測を橋渡しするフレームワークSTARを提案する。 STARはスコアベースとランクベースの両方の基準線を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-12T16:30:07Z)
• Information-theoretic Quantification of High-order Feature Effects in Classification Problems [0.19791587637442676]
  特徴重要度(Hi-Fi)法における高次相互作用の情報理論拡張について述べる。 私たちのフレームワークは、機能のコントリビューションをユニークでシナジスティックで冗長なコンポーネントに分解します。 その結果,提案した推定器は理論的および予測された結果を正確に復元することがわかった。
  論文  参考訳（メタデータ） (2025-07-06T11:50:30Z)
• 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)
• Generative vs. Discriminative modeling under the lens of uncertainty quantification [0.929965561686354]
  本稿では,生成的アプローチと識別的アプローチの比較分析を行った。 両手法が,不確実性を考慮した推論において,様々な情報源からの情報を活用する能力を比較する。 本稿では,両手法の教師あり学習と,検討されたモデリング手法と互換性のあるセミ教師あり学習を実現するための一般的なサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2024-06-13T14:32:43Z)
• A Generalized Variable Importance Metric and Estimator for Black Box Machine Learning Models [0.21249247666376617]
  我々は、ブラックボックス機械学習手法における予測器の重要性を測定するために、集団パラメータ、一般化可変重要度指標(GVIM)'を定義した。 我々は,定義したGVIMが,任意の種類の予測器に対する条件平均処理効果(CATE)の関数として表現可能であることを示すために,予め公表した結果を拡張した。
  論文  参考訳（メタデータ） (2022-12-20T00:50:28Z)
• CARMS: Categorical-Antithetic-REINFORCE Multi-Sample Gradient Estimator [60.799183326613395]
  本稿では, 相互に負に相関した複数のサンプルに基づく分類的確率変数の非バイアス推定器を提案する。 CARMSは、ReINFORCEとコプラベースのサンプリングを組み合わせることで、重複サンプルを回避し、その分散を低減し、重要サンプリングを使用して推定器を偏りなく維持する。 我々は、生成的モデリングタスクと構造化された出力予測タスクに基づいて、いくつかのベンチマークデータセット上でCARMSを評価し、強力な自己制御ベースラインを含む競合する手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-26T20:14:30Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)

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。