Fugu-MT 論文翻訳(概要): Small area learning

論文の概要: Small area learning

arxiv url: http://arxiv.org/abs/2610.15953v1
Date: Sun, 11 Oct 2026 22:21:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-19 08:24:04.024523
Title: Small area learning
Title（参考訳）: 小領域学習
Abstract要約: 小さい領域推定(SAE)は、伝統的に特定の作業モデルを通じて、ドメイン間での強度を借りる。本研究では,SAEを多目的半教師付き学習問題として定式化する学習者に依存しないフレームワークを提案する。低複雑さで柔軟な学習者のための標準およびクロスフィットな推定器を開発した。
参考スコア（独自算出の注目度）: 0.815557531820863
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Small area estimation (SAE) traditionally borrows strength across domains through a prespecified working model. We introduce small area learning (SAL), a learner-agnostic framework that formulates SAE as a multi-target semi-supervised learning problem and treats outcome prediction as a nuisance task. Areas may differ through unrestricted covariate shift and structured conditional shift, with information shared through common and area-specific components. We develop standard and cross-fitted estimators for low-complexity and flexible learners, unifying synthetic, model-based, and fully residual-corrected estimation. For area means, we establish consistency and asymptotic normality and provide variance estimators and confidence intervals. We extend the theory to settings with only aggregated population covariates and characterize the resulting aggregation bias. SAL reveals a bias--variance trade-off: partial residual correction can reduce mean squared error, whereas full correction yields estimators robust to working-model misspecification, potentially at higher variance. Simulations yield RMSE reductions of 34\%--49\% relative to direct estimation, with the best configuration varying across settings. An empirical application favours a cross-fitted estimator using a flexible learner under the chosen validation criterion. The numerical studies also illustrate how shrinkage can produce overly optimistic confidence intervals at the expense of strong modeling assumptions.
Abstract（参考訳）: 小さい領域推定(SAE)は、伝統的に特定の作業モデルを通じて、ドメイン間での強度を借りる。 SAEを多目的半教師付き学習問題として定式化し、結果予測をニュアンスタスクとして扱う学習者非依存のフレームワークである小領域学習(SAL)を導入する。領域は、制限のない共変量シフトと構造化された条件シフトによって異なり、共通および領域固有のコンポーネントを通して共有される。低複雑さ・フレキシブル学習者のための標準およびクロスフィット型推定器を開発し、モデルベースと完全残差補正を統一する。領域平均に対して、一貫性と漸近正規性を確立し、分散推定器と信頼区間を提供する。我々は、この理論を、集団共変量のみを集約した設定に拡張し、結果として生じる凝集バイアスを特徴づける。部分的残差補正は平均二乗誤差を減少させるが、完全な補正は、より高い分散率で、作業モデルの誤特定に頑健な推定子をもたらす。シミュレーションにより、RMSEの直接推定に対して34\%--49\%の削減が得られ、最適構成は設定によって異なる。経験的応用は、選択された検証基準の下で柔軟な学習者を用いたクロスフィット推定器を好んでいる。数値的な研究は、強いモデリング仮定を犠牲にして、いかに収縮が過度に楽観的な信頼区間を生み出すかも示している。

関連論文リスト

How Useful is Causal Invariance for Domain Adaptation in Finite-Sample Settings? [58.740078141879984]
機械学習モデルは、トレーニングされたソースディストリビューションとは異なるターゲットディストリビューションにデプロイされると、しばしば劣化する。因果関係に基づく領域一般化における最近の研究は、共用因果構造が不変な予測因子を誘導する方法を示している。本稿では,完全あるいは部分的な因果知識が,教師付きドメイン適応を確実に改善できるかどうかについて検討する。
論文参考訳（メタデータ） (2026-06-10T21:07:49Z)
Transfer Learning Through Conditional Quantile Matching [3.86972243789112]
我々は、異種ソースドメインを利用した回帰学習フレームワークを導入し、データスカースターゲットドメインにおける予測性能を改善する。提案手法は,各ソース領域に対して個別に条件生成モデルを学習し,条件量子マッチングにより対象ドメインに対する応答を校正する。
論文参考訳（メタデータ） (2026-02-02T17:19:55Z)
Causal Inference as Distribution Adaptation: Optimizing ATE Risk under Propensity Uncertainty [0.0]
我々は、分散シフトの下で、ATE推定をテキストドメイン適応問題として再フレーミングする。結果モデルの共同学習を行うためのtextbfJoint Robust Estimator (JRE) を提案する。
論文参考訳（メタデータ） (2025-12-19T21:40:46Z)
Minimax optimal transfer learning for high-dimensional additive regression [0.0]
まず,局所線形平滑化を考慮したスムーズなバックフィッティング推定法を提案する。そこで我々は,移動学習フレームワーク内に新たな2段階推定手法を開発し,人口と経験レベルの理論的保証を提供する。
論文参考訳（メタデータ） (2025-09-08T03:16:05Z)
Statistical Analysis of Conditional Group Distributionally Robust Optimization with Cross-Entropy Loss [16.1456465253627]
本研究では、複数のソースドメインからラベル付きデータを入手でき、対象ドメインからラベルなしデータのみを観測できるマルチソース非教師付きドメイン適応について検討する。本稿では,情報源領域からの条件付き結果分布の凸結合を最小化することにより,分類器を学習するグループ分散条件最適化フレームワークを提案する。実験的なCG-DRO推定器の高速な統計的収束速度を,理論ブリッジとして機能する2つの代理極小最適化問題を構築することにより確立する。
論文参考訳（メタデータ） (2025-07-14T04:21:23Z)
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)
Predicting Out-of-Domain Generalization with Neighborhood Invariance [59.05399533508682]
局所変換近傍における分類器の出力不変性の尺度を提案する。私たちの測度は計算が簡単で、テストポイントの真のラベルに依存しません。画像分類,感情分析,自然言語推論のベンチマーク実験において,我々の測定値と実際のOOD一般化との間に強い相関関係を示す。
論文参考訳（メタデータ） (2022-07-05T14:55:16Z)
Domain-Adjusted Regression or: ERM May Already Learn Features Sufficient for Out-of-Distribution Generalization [52.7137956951533]
既存の特徴から予測器を学習するためのよりシンプルな手法を考案することは、将来の研究にとって有望な方向である、と我々は主張する。本稿では,線形予測器を学習するための凸目標である領域調整回帰(DARE)を紹介する。自然モデルの下では、DARE解が制限されたテスト分布の集合に対する最小最適予測器であることを証明する。
論文参考訳（メタデータ） (2022-02-14T16:42:16Z)
Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
論文参考訳（メタデータ） (2020-10-09T15:42:35Z)
GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。結果として得られるアルゴリズム、GenDICEは単純で効果的である。
論文参考訳（メタデータ） (2020-02-21T00:27:52Z)

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。