論文の概要: Cluster-Robust Prediction-Powered Inference

• arxiv url: http://arxiv.org/abs/2610.09601v1
• Date: Wed, 07 Oct 2026 07:48:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.779585
• Title: Cluster-Robust Prediction-Powered Inference
• Title（参考訳）: クラスタ・ロバスト予測による推論
• Abstract要約: 予測駆動推論(PPI)は、ラベル付きデータと機械学習予測を組み合わせることで、正確な推定に必要なデータ量を削減できる。 独立クラスタ内で任意の依存の下でクローズドフォームの標準エラーを提供するクラスタ・ロバストPPI++を紹介する。 精度の向上がラベル付け設計に依存することを示すとともに,分散を最小限に抑えるクラスタ対応パワーチューニングルールを導出する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data collection is often costly or logistically demanding, limiting both the questions researchers can pursue and how precisely they can answer them. Prediction-powered inference (PPI) can reduce the amount of data needed for precise parameter estimation by combining labeled data with machine learning predictions. However, ignoring dependence within clusters can produce confidence intervals that cover the true parameter less often than their nominal rate. We introduce Cluster-Robust PPI++, which provides standard errors in closed form and asymptotically valid confidence intervals under arbitrary dependence within independent clusters, requiring no bootstrap or resampling. Our central contribution is to accommodate partially labeled clusters, a common empirical setting in which clusters contain both labeled and unlabeled units. As units are dependent within clusters, partially labeled clusters violate the independence assumption of PPI++. We also show how precision increases depend on the labeling design, and derive a cluster-aware power tuning rule that minimizes asymptotic variance. In an application to television news, standard PPI++ confidence intervals have coverage below 60%, whereas Cluster-Robust PPI++ can achieve nominal 95% coverage.
• Abstract（参考訳）: データ収集は、しばしば費用がかかるか論理的に要求されるため、研究者が追求できる質問と、その答えの正確さの両方が制限される。 予測駆動推論(PPI)は、ラベル付きデータと機械学習予測を組み合わせることで、正確なパラメータ推定に必要なデータ量を削減できる。 しかし、クラスタ内の依存を無視すると、真のパラメータをその名目率よりも少ない頻度でカバーする信頼区間が生成される。 クローズドな形式の標準エラーと、独立クラスタ内の任意の依存の下で漸近的に有効な信頼区間を提供する。 我々の中心的な貢献は、部分的にラベル付けされたクラスタを収容することであり、これはクラスタがラベル付けされたユニットとラベル付けされていないユニットの両方を含む、共通の実証的な設定である。 ユニットはクラスタ内に依存するため、部分的にラベル付けされたクラスタはPPI++の独立性前提に違反している。 また,ラベリング設計によって精度が向上することを示すとともに,漸近的分散を最小限に抑えるクラスタ対応パワーチューニングルールを導出する。 テレビニュースへの応用では、標準的なPPI++の信頼区間は60%以下であるのに対して、Cluster-RobustのPPI++は95%という名目でカバーできる。

関連論文リスト

• Fed-BRDECS: Privacy-Preserving and Heterogeneity-Aware Federated Deep Embedded Clustering [16.216002257704826]
  Fed-BRDECSは、プライバシ保護とヘテロジニアスな深層クラスタリングフレームワークである。 グローバルに正規化されたクラスタリングの目的を、ローカルに計算可能なサンプル安定性の損失に置き換える。 IIDおよび非IIDパーティションの下では、代表的連合クラスタリングとディープクラスタリングベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-10-05T21:11:14Z)
• RIPPLE in Still Water: Zero-Shot Clustering in Federated Learning with Wavelet Scattering Transform [51.56484100374058]
  クラスタ化されたフェデレートラーニング(FL)は、クライアントを同じローカル分布のグループに分割し、クラスタ毎に1つの特別なモデルを訓練する。 本稿では、各クライアントのローカルデータのスペクトル特性からクラスタ割り当てを完全にオフラインで計算するクラスタリングFLフレームワークであるRIPPLEを提案する。
  論文  参考訳（メタデータ） (2026-10-02T09:35:39Z)
• Bracketing Uncertainty in Clustering Under the Manifold Hypothesis [3.8233569758620054]
  クラスタ数のあいまいさはしばしば本質的であり、解決されるよりも定量化されるべきである。 我々は,データの不確実性を定量化するために,明示的なブラケット間隔を返すManifold-Based Clustering (MBC)を提案する。 以上の結果から,クラスタ数のあいまいさはしばしば本質的であり,解決するよりも定量化すべきであることが示唆された。
  論文  参考訳（メタデータ） (2026-09-15T22:34:46Z)
• Weighted Conformal Clustering [5.601217969637838]
  本稿では,クラスタラベルに対して有効な信頼セットを構築するための新しい重み付き共形手法を提案する。 キャリブレーションに利用できるラベルは、地上構造ラベルではなく、データ依存クラスタリングアルゴリズムによって生成される合成ラベルである。
  論文  参考訳（メタデータ） (2026-05-29T23:58:56Z)
• When Individually Calibrated Models Become Collectively Miscalibrated [3.556355987197792]
  本研究では,個別に調整した予測器が戦略的に相互作用した場合に集団的に誤判定されることを示す。 正の相関関係を持つブライアスコアに基づくアグリゲーションでは、各エージェントの個別に最適なレポートは、正のクラス確率を体系的に過小評価する。 対照的に、VCGベースのアグリゲーションは、限界貢献に報いることでインセンティブを調整し、支配的な戦略的なインセンティブ互換性とほぼ最適のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-14T05:25:16Z)
• Spatially Robust Inference with Predicted and Missing at Random Labels [2.5574009994099196]
  交差フィットは空間分散推定器を歪ませ、不安定あるいは過度に保守的な信頼区間を生じる折りたたみレベルの相関を誘導することを示す。 また、折りたたみ雑音から依存を分離するジャックニフェ空間異方性と自動整合性(HAC)の分散補正を提案する。
  論文  参考訳（メタデータ） (2026-03-11T23:14:21Z)
• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• Stratified Prediction-Powered Inference for Hybrid Language Model Evaluation [62.2436697657307]
  予測駆動推論(英: Prediction-powered Inference, PPI)は、人間ラベル付き限られたデータに基づいて統計的推定を改善する手法である。 我々はStratPPI(Stratified Prediction-Powered Inference)という手法を提案する。 単純なデータ階層化戦略を用いることで,基礎的なPPI推定精度を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2024-06-06T17:37:39Z)
• Distribution-free binary classification: prediction sets, confidence intervals and calibration [106.50279469344937]
  分布自由条件における二項分類のための不確実性定量化(キャリブレーション、信頼区間、予測セット)の3つの概念について検討する。 固定幅と一様質量の両双対の双対確率に対する信頼区間を導出する。 我々の「三脚」定理の結果として、双有理確率に対するこれらの信頼区間は分布自由キャリブレーションに繋がる。
  論文  参考訳（メタデータ） (2020-06-18T14:17:29Z)

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。