論文の概要: Pro-Active Inference

• arxiv url: http://arxiv.org/abs/2610.34681v1
• Date: Mon, 26 Oct 2026 01:19:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.66572
• Title: Pro-Active Inference
• Title（参考訳）: Pro-Active推論
• Abstract要約: プロアクティベート推論の非置換式を一般化する。 固定順序のラベルスキープ決定を行う代わりに、PAIは積極的に観測を選択してラベルを付ける。 PAIの潜在的な効率向上は、準オークレ設定でバッチアクティブ推論よりも優れていると特徴付ける。
• 参考スコア（独自算出の注目度）: 10.909052889927638
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating a population mean is fundamental across scientific applications, but observing every outcome can be prohibitively expensive. Often, covariates and machine learning (ML) predictions are available for the full population, even when only a small subset of outcomes can be observed. How can we leverage this information to proactively select observations to label, update ML predictions as labels arrive, and construct statistically valid confidence intervals? We develop a general, without-replacement formulation of Pro-Active Inference (PAI), extending our earlier with-replacement approach and building on Active Statistical Inference. Rather than making fixed-order label-skip decisions, PAI proactively selects which observation to label next from the remaining covariate pool while accommodating online ML updates. We establish PAI's finite-sample unbiasedness and asymptotic validity, develop an improved finite-sample variance estimator, and extend PAI to superpopulation inference without Bonferroni corrections or $α$-splitting. We characterize PAI's potential efficiency gains over Batch Active Inference in a quasi-oracle setting, highlighting the role of prediction-residual imbalance. Across eight diverse datasets, PAI achieves greater sampling efficiency than Sequential Active Inference in the vast majority of tested settings with near-nominal statistical coverage, using the same ML predictor and uncertainty score. However, comparisons with simpler baselines such as Prediction-Powered Inference and uniform sampling, as well as the closely related Prediction-Powered Active Testing, reveal when additional adaptivity helps or hurts statistical efficiency. Through interpretable, theory-motivated diagnostics and frozen-ML ablations, we investigate when and why PAI gains or loses efficiency, highlighting the initial residual-estimation problem and subsequent online learning dynamics.
• Abstract（参考訳）: 人口の平均を推定することは科学的な応用において基本的なことですが、すべての結果の観察は違法にコストがかかります。 多くの場合、共変量と機械学習(ML)予測は、結果の小さなサブセットしか観察できない場合でも、全人口に対して利用可能である。 この情報を利用して、ラベルを積極的に選択し、ラベルが到着するとML予測を更新し、統計的に有効な信頼区間を構築するにはどうすればよいのか? 本稿では,PAI(Pro-Active Inference)の汎用的,非置換的定式化を開発し,それ以前の非置換的アプローチを拡張し,アクティブな統計的推論に基づく構築を行う。 固定順序のラベルスキープ決定を行う代わりに、PAIは、オンラインML更新を調整しながら、残りの共変量プールから次にラベルを付けるための観察を積極的に選択する。 我々は、PAIの有限サンプル不偏性および漸近的妥当性を確立し、改良された有限サンプル分散推定器を開発し、ボンフェロニ補正や$α$分割なしで超人口推定に拡張する。 PAIの潜在的な効率向上を準軌道設定で評価し、予測残差不均衡の役割を強調した。 8つの多様なデータセットにわたって、PAIは、ML予測器と不確実性スコアを使用して、ほぼ最小に近い統計カバレッジでテストされたほとんどのテスト環境で、Sequential Active Inferenceよりもサンプリング効率が高い。 しかしながら、予測パワー推論や一様サンプリングといった単純なベースラインや、密接に関連する予測パワーアクティブテストと比較すると、追加の適応性が統計的効率に役立つか、または損なうかが分かる。 PAIがいつ,なぜ効率を損なうのかを考察し,初期残差推定問題とその後のオンライン学習のダイナミクスを浮き彫りにした。

関連論文リスト

• Prediction-Powered Active Testing [14.083979525233316]
  アクティブテストは、どのテストポイントにラベルを付けるべきかを適応的に選択することで、リスク見積に対するラベル効率のよいアプローチを提供する。 本稿では,新しいラベル効率の高いリスク推定フレームワークであるbfbfPrediction-Powered Active Testing (PPAT)を提案する。
  論文  参考訳（メタデータ） (2026-07-09T10:52:24Z)
• Demystifying Prediction Powered Inference [4.962232906170314]
  予測パワー推論(英: Prediction-Powered Inference、PPI)は、大規模なラベルなしデータセットからの予測を活用して統計的効率を改善する、原則化されたフレームワークである。 その可能性にもかかわらず、PPIの変種の増加と両者の微妙な区別は、実践者がいつ、どのようにこれらの方法を適用するかを決定するのを困難にしている。 本稿では,PPIの理論的基礎,方法論的拡張,既存の統計文献への接続,診断ツールを統一的な実用的なワークフローに合成することによって,PPIをデミステレーションする。
  論文  参考訳（メタデータ） (2026-01-28T18:16:02Z)
• Prediction-Powered Adaptive Shrinkage Estimation [0.22917707112773592]
  予測パワー適応収縮(英: Prediction-Powered Adaptive Shrinkage、PAS)は、PPIを実証的なベイズ収縮で橋渡しし、複数の手段の推定を改善する手法である。 PASはML予測の信頼性に適応し、大規模アプリケーションにおいて従来のベースラインと現代的なベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-02-20T00:24:05Z)
• 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)
• Uncertainty-Calibrated Test-Time Model Adaptation without Forgetting [65.21599711087538]
  テスト時間適応(TTA)は、与えられたモデルw.r.t.を任意のテストサンプルに適用することにより、トレーニングデータとテストデータの間の潜在的な分散シフトに取り組むことを目指している。 事前の手法は各テストサンプルに対してバックプロパゲーションを実行するため、多くのアプリケーションに対して許容できない最適化コストがかかる。 本稿では, 有効サンプル選択基準を策定し, 信頼性および非冗長なサンプルを同定する, 効率的なアンチフォッティングテスト時間適応法を提案する。
  論文  参考訳（メタデータ） (2024-03-18T05:49:45Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)

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。