論文の概要: Waiting Buys Exactly Two Moments: Endogenous Identification in Prediction-Driven Allocation

• arxiv url: http://arxiv.org/abs/2610.23830v1
• Date: Fri, 16 Oct 2026 17:52:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:08.058764
• Title: Waiting Buys Exactly Two Moments: Endogenous Identification in Prediction-Driven Allocation
• Title（参考訳）: ウェイティングが正確に2つのモーメントを購入する:予測駆動転位における内因性同定
• Abstract要約: 予防支援の予算が固定されたプランナーは、誰を助けるべきか、いつ決めなければならない。 待機はリスクを明らかにしますが、リスクの高い個人が先に去ると、介入の機会を排除します。 我々は、このトレードオフを、繰り返し発生するノイズ信号とリスク依存の誘惑の下で特徴づける。
• 参考スコア（独自算出の注目度）: 2.3982445219832678
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A planner with a fixed budget of preventive help must decide whom to help and when. Waiting reveals risk but removes intervention opportunities as higher-risk individuals leave first. We characterize this tradeoff under repeated noisy signals and risk-dependent attrition: in the canonical model, a length-$τ$ observation prefix identifies exactly the latent risk moments $m_j=\mathbb E[p^j]$ for $j=0,\ldots,2τ-1$, buying two new moments per additional period. These identify average next-period attrition among survivors but need not identify allocation welfare or attrition among those prioritized for treatment. Our observationally equivalent constructions establish unavoidable timing regret at any sample size for a fixed observation length, while exact certificates determine whether all compatible populations share a unique optimal date. Matched experiments separate the effects of estimation, bootstrap averaging, and regret weighting. Longer observation often resolves timing ambiguity, but the optimal date may already have passed. In our experiments, bootstrap averaging and early stopping improve decisions, while regret weighting adds no improvement in pooled mean squared regret: better statistical fit need not yield better allocation welfare. The code and artifacts are available at https://github.com/KurbanIntelligenceLab/waiting-buys-two-moments.
• Abstract（参考訳）: 予防支援の予算が固定されたプランナーは、誰を助けるべきか、いつ決めなければならない。 待機はリスクを明らかにしますが、リスクの高い個人が先に去ると、介入の機会を排除します。 標準モデルでは、長さ-τ$観測プレフィックスは、遅延リスクモーメントを正確に識別し、m_j=\mathbb E[p^j]$ for $j=0,\ldots,2τ-1$で、追加期間に2つの新しいモーメントを購入します。 これらは生存者の中で平均的な次の期間の服役を識別するが、治療のために優先順位付けされた者の間で割り当ての厚生や服役を識別する必要はない。 観測的に等価な構成では、任意のサンプルサイズで一定の観測期間を繰り返すことは避けられないが、正確な証明では、すべての適合する個体群が独自の最適日を共有できるかどうかが決定される。 一致した実験は、見積もり、ブートストラップ平均化、後悔の重み付けの影響を分離する。 より長い観測は、しばしばタイミングの曖昧さを解消するが、最適な日時はすでに過ぎていたかもしれない。 我々の実験では、ブートストラップ平均化と早期に改善判断を停止する一方、後悔の重み付けはプールド平均2乗後悔の改善を加味しない。 コードとアーティファクトはhttps://github.com/KurbanIntelligenceLab/await-buys-two-momentsで入手できる。

関連論文リスト

• Feature Normalization under Finite Training Budgets [1.29839416571547]
  標準化および非スケールトレーニングによって達成できる最低限のレアサブグループリスクを特徴付ける。 予測される希少な観測回数が有限でありながら、頻度が消えるにつれて、両方の最適化されたリスクを導出する。
  論文  参考訳（メタデータ） (2026-10-12T14:20:33Z)
• When a Flatness Proxy Is Not a Function: Robustness Certificates and Training Interventions [1.9909262723844419]
  有効な曲率上限は、ロバスト性証明や本質的な予測特性の介入を正当化しない。 グローバルに有効なゲージ不変な特徴空間修復を導出する。 45回にわたってアルゴリズムモデルと画像モデルのワンステップテストを行い、増幅されたシフトは原規則化予測器を分離し、商規則化予測器は整列する。
  論文  参考訳（メタデータ） (2026-09-29T20:57:34Z)
• Bayesian Best-Arm Identification with Abstention: A Polynomial-to-Exponential Phase Transition [51.253617466579335]
  本研究では,学習者が端末の推薦を控えることができるベイジアン固定予算のベストアーム識別問題について検討する。 本研究は,非検出誤りの確率を解析し,吸収を伴わない準最適腕を推奨するリスクについて考察する。
  論文  参考訳（メタデータ） (2026-06-28T05:07:27Z)
• Calibrated Inference for the Conditional Average Treatment Effect in the Few-Placebo Regime via Gaussian Processes [0.0]
  片方の治療用アームが他方よりもはるかに小さい,少数のプラセボ系について検討した。 それらは、その名目レベルよりも、真の効果をほとんど含まない。 本稿では,各アームの結果面をガウス過程でモデル化するGP-CATEを提案する。
  論文  参考訳（メタデータ） (2026-05-26T11:18:42Z)
• Nearly Optimal Bayesian Inference for Structural Missingness [23.988531482641307]
  ベイズ的な見方では、後続の予測分布による予測は、完全なモデル後続の不確実性の上に統合される。 このフレームワークは、(II)ラベル予測からモデル内の欠損値後部を学習し、予測後部分布を最適化する。 43の分類と15の計算ベンチマークでSOTAを達成し、ベイズ最適性保証の近くに有限サンプルを持つ。
  論文  参考訳（メタデータ） (2026-01-26T14:03:11Z)
• SGD with Dependent Data: Optimal Estimation, Regret, and Inference [3.038061705362137]
  勾配降下 (SGD) は, 広範囲の段階的スケジュールと探索率スキームの下で, 独立情報と依存情報の両方に対応できることが示されている。 SGDは統計的に最適な推定誤差と後悔を同時に達成し,既存の結果を拡張し,改善することを示す。 オンラインのスパースレグレッションのために、我々はSGDベースの新しいアルゴリズムを開発し、ストレージの$d$のみを使用し、1イテレーションあたり$O(d)$フロップを必要とする。
  論文  参考訳（メタデータ） (2026-01-04T04:52:11Z)
• Decision from Suboptimal Classifiers: Excess Risk Pre- and Post-Calibration [52.70324949884702]
  バッチ二分決定における近似的後続確率を用いた余剰リスクの定量化を行う。 我々は、再校正のみが後悔のほとんどに対処する体制と、後悔が集団的損失に支配される体制を識別する。 NLP実験では、これらの量によって、より高度なポストトレーニングの期待値が運用コストに値するかどうかが分かる。
  論文  参考訳（メタデータ） (2025-03-23T10:52:36Z)
• Equal Opportunity of Coverage in Fair Regression [50.76908018786335]
  我々は、予測の不確実性の下で公正な機械学習(ML)を研究し、信頼性と信頼性のある意思決定を可能にする。 本研究は,(1)類似した結果の異なる集団に対するカバー率が近いこと,(2)人口全体のカバー率が一定水準にあること,の2つの特性を達成することを目的としたカバーの平等機会(EOC)を提案する。
  論文  参考訳（メタデータ） (2023-11-03T21:19:59Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
  本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。 誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:32:51Z)

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。