論文の概要: Doubly Robust Deep Kernel Tests for Structured Outcomes

• arxiv url: http://arxiv.org/abs/2610.37227v1
• Date: Tue, 27 Oct 2026 13:37:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.642311
• Title: Doubly Robust Deep Kernel Tests for Structured Outcomes
• Title（参考訳）: 構造化結果に対する二重ロバスト深部カーネル試験
• Abstract要約: 画像,テキスト,グラフなど,結果が構造化され,高次元である場合に,2つの介入が同じ結果分布を誘導するかどうかを検証した。 DR-KTE-Deepは、この処理効果の表現に対する推定パワー基準を最大化するために学習した特徴を最適化する。
• 参考スコア（独自算出の注目度）: 19.953974278550447
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a test of whether two interventions induce the same outcome distribution when outcomes are structured and high-dimensional, such as images, text and graphs. We represent the interventional distributions as mean embeddings on learned deep features, such that the treatment effect is a doubly robust representation of the difference in mean embeddings. Our test, DR-KTE-Deep, optimises the learned features so as to maximise an estimated power criterion on this treatment effect representation. To motivate our learning objective, we show that the power criterion characterises the asymptotic signal-to-noise ratio of the test under fixed alternatives, and we derive a uniform finite-sample bound for its regularised estimate. We show that, with the learned kernel fixed, a held-out test is asymptotically valid under the null given suitable nuisance-estimation rates. Empirically, DR-KTE-Deep achieves substantially higher power than fixed and bandwidth-optimised kernel baselines across image, text and graph outcomes, while maintaining well-calibrated Type-I error.
• Abstract（参考訳）: 画像,テキスト,グラフなど,結果が構造化され,高次元である場合に,2つの介入が同じ結果分布を誘導するかどうかを検証した。 本研究は, 介入分布を学習深度への平均埋め込みとして表現し, 治療効果が平均埋め込みの差の2倍強固な表現であることを示す。 DR-KTE-Deepは、この処理効果の表現に対する推定電力基準を最大化するために学習した特徴を最適化する。 学習目的のモチベーションとして, 定式化された推定値に対して一様有限サンプルを導出することにより, パワー基準が定式化によるテストの漸近信号-雑音比を特徴付けることを示す。 学習したカーネルが固定された場合、保持されたテストは、適切なニュアンス推定率を与えられたヌルの下で漸近的に有効であることを示す。 DR-KTE-Deepは、画像、テキスト、グラフ間の固定および帯域幅最適化されたカーネルベースラインよりも大幅に高い出力を実現し、よく校正されたType-Iエラーを維持する。

関連論文リスト

• Minimax-Optimal Two-Sample Test with Sliced Wasserstein [2.019622939313173]
  本研究では,スライスされたワッサーシュタイン距離を用いた非パラメトリック2サンプル試験の問題点について検討する。 置換に基づくSWテストを提案し,その性能を解析する。
  論文  参考訳（メタデータ） (2025-10-31T14:20:06Z)
• Kernel Treatment Effects with Adaptively Collected Data [23.3862001690226]
  本稿では,適応データ収集における分散推論のための最初のカーネルベース推論フレームワークを提案する。 本手法は,Hilbert-space Martingale CLTによる2つの頑健なスコアと分散安定化を組み合わせることで,正規性を確保する。 実験により、平均シフトとより高いモーメント差の両方に有効かつ効果的であることが示されている。
  論文  参考訳（メタデータ） (2025-10-11T15:01:21Z)
• Doubly-Robust Estimation of Counterfactual Policy Mean Embeddings [23.3862001690226]
  反ファクトポリシーの下での成果の分配を推定することは、推薦、広告、医療といった領域における意思決定にとって重要である。 再生カーネル空間(RKHS)における反事実分布全体を表す新しいフレームワーク-Counterfactual Policy Mean Embedding(CPME)を提案する。 プラグイン推定器と2倍頑健な推定器の両方を導入し、後者は結果埋め込みモデルと確率モデルの両方においてバイアスを補正することで収束率の向上を享受する。
  論文  参考訳（メタデータ） (2025-06-03T12:16:46Z)
• Statistical Inference for Temporal Difference Learning with Linear Function Approximation [55.80276145563105]
  The statistics properties of Temporal difference learning with Polyak-Ruppert averaging。 3つの理論的な貢献により、現在の最先端の成果が向上する。
  論文  参考訳（メタデータ） (2024-10-21T15:34:44Z)
• Near-Optimal Non-Parametric Sequential Tests and Confidence Sequences with Possibly Dependent Observations [44.71254888821376]
  我々は、一般的な非データ生成プロセスの下で、最初のタイプIエラーと予測リジェクション時間保証を提供する。 本研究では, 平均処理効果など, 方程式を推定することによって定義されるパラメータの推測に, 結果を適用する方法を示す。
  論文  参考訳（メタデータ） (2022-12-29T18:37:08Z)
• Addressing Maximization Bias in Reinforcement Learning with Two-Sample Testing [0.0]
  過大評価バイアスは、価値に基づく強化学習アルゴリズムに対する既知の脅威である。 平均的な2サンプルテストに基づいて,過大評価と過小評価を柔軟に補間する$T$-Estimator (TE)を提案する。 また、TEと同じバイアスと分散境界に従うK$-Estimator (KE) という一般化も導入する。
  論文  参考訳（メタデータ） (2022-01-20T09:22:43Z)

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。