論文の概要: Kernel-based External Validity of Experimental Studies

• arxiv url: http://arxiv.org/abs/2610.13625v1
• Date: Fri, 09 Oct 2026 14:08:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.612965
• Title: Kernel-based External Validity of Experimental Studies
• Title（参考訳）: カーネルを用いた実験結果の外部妥当性
• Abstract要約: 研究の外的妥当性は、その発見がデータセットのような目に見えない実験条件に一般化する程度である。 我々は,研究結果と研究課題を合わせて形式化し,研究の2つの独立かつ同一サイズの複製が与えられた許容値を下回る最大平均差(MMD)をもたらす確率として外的妥当性を定式化する。
• 参考スコア（独自算出の注目度）: 23.782850556280792
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The external validity of a study is the extent to which its findings generalize to unseen experimental conditions, such as datasets. We formalize the results of a study together with its research question, and define external validity as the probability that two independent and same-sized replications of the study produce results whose maximum mean discrepancy (MMD) is below a given tolerance. This approach, centered on the choice of a space of results and of an appropriate reproducing kernel for the MMD, is flexible enough to be deployed on multiple different types of results and research questions. Additionally, we establish an asymptotic power-law relation between the size of a study and the quantiles of the MMD, which we use to estimate the desired size of an externally valid study from a small-scale preliminary study. We deploy our framework to rankings with ties and discuss kernels suited to different research questions. Experiments on existing case studies and on a simulated newly designed study illustrate the applicability of the framework. We release our code as part of the genexpy Python module.
• Abstract（参考訳）: 研究の外的妥当性は、その発見がデータセットのような目に見えない実験条件に一般化する程度である。 我々は,研究結果と研究課題を合わせて形式化し,研究の2つの独立かつ同一サイズの複製が与えられた許容値を下回る最大平均差(MMD)をもたらす確率として外的妥当性を定式化する。 このアプローチは、結果の空間の選択とMDDのための適切な再生カーネルの選択に重点を置いており、複数の異なる種類の結果や研究課題にデプロイできるほど柔軟である。 さらに,研究規模とMDDの定量値との漸近的な関係を確立し,小規模予備研究から外部有効研究の所望の規模を推定する。 関係のあるランキングにフレームワークをデプロイし、異なる研究課題に適したカーネルについて議論する。 既存のケーススタディおよびシミュレートされた新しい研究実験は、フレームワークの適用性を示している。 genexpy Pythonモジュールの一部としてコードをリリースしています。

関連論文リスト

• CIDER-FM: Foundation Models for Causal Inference from Diverse Experimental Regimes [74.68317443281695]
  因果基礎モデル(CFMs)は、合成構造因果モデル(SCMs)の先行性に対する因果推論を補正する 本研究は,CFMを有限観測データと代理データとを結合する手法として研究する。
  論文  参考訳（メタデータ） (2026-09-30T11:20:32Z)
• Causal Inference for Sequential Settings under Interference and Latent Confounding [24.679587214571345]
  結果干渉下での因果推論を, 連続的, 観察的設定で検討した。 我々は、N 単位上のバイナリ結果が T 時間ステップでマルコビアンとなるような設定を考える。 パネルデータ文献と同様に、潜伏した共同設立者は低ランクの要素構造を持つようにモデル化されている。
  論文  参考訳（メタデータ） (2026-07-16T12:51:45Z)
• Causal Inference for Preprocessed Outcomes with an Application to Functional Connectivity [1.7078619393681336]
  そこで本研究では,対象物内処理後に得られた因果推論を導出する半パラメトリックフレームワークを提案する。 我々は、このフレームワークを仲介設定に特化し、自然の直接効果に焦点をあてる。 自閉症スペクトラム障害児の脳への刺激薬の影響を推定するために本手法を適用した。
  論文  参考訳（メタデータ） (2026-02-02T15:48:34Z)
• A Scalable Nyström-Based Kernel Two-Sample Test with Permutations [9.849635250118912]
  2サンプル仮説テストは統計学と機械学習の基本的な問題である。 本研究では,最大平均誤差(MMD)のNystr "om approxation"を用いて,計算効率よく実用的なテストアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2025-02-19T09:22:48Z)
• 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)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Multi-Study R-Learner for Estimating Heterogeneous Treatment Effects Across Studies Using Statistical Machine Learning [1.1045045527359925]
  ヘテロジニアス治療効果(HTEs)の推定は、精密医療に不可欠である。 既存のアプローチはしばしば研究全体で同じHTEを仮定する。 マルチスタディHTE推定のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-01T18:56:58Z)
• Do Deep Neural Networks Always Perform Better When Eating More Data? [82.6459747000664]
  Identically Independent Distribution(IID)とOut of Distribution(OOD)による実験を設計する。 IID条件下では、情報の量は各サンプルの効果度、サンプルの寄与度、クラス間の差がクラス情報の量を決定する。 OOD条件下では、試料のクロスドメイン度が寄与を決定づけ、無関係元素によるバイアス適合はクロスドメインの重要な要素である。
  論文  参考訳（メタデータ） (2022-05-30T15:40:33Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)

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。