論文の概要: Agentic Distributional Regression: Conditional Density Estimation through Agent-Written Programs

• arxiv url: http://arxiv.org/abs/2610.37611v2
• Date: Thu, 29 Oct 2026 16:17:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-30 22:39:27.531972
• Title: Agentic Distributional Regression: Conditional Density Estimation through Agent-Written Programs
• Title（参考訳）: エージェント分布回帰:エージェント記述プログラムによる条件密度推定
• Abstract要約: iidサンプルから応答の条件密度を推定する手法を提案する。 エージェントは、サンプルを調べ、応答の条件分布と適合手順のモデルを選択し、短いコンピュータプログラムとして推定器を返却する。 古典的なアプローチとは異なり、統計学者はもはや推定器を選択しず、エージェントに推定器を構築するよう依頼する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence offers statisticians a new paradigm for modelling and analysing complex datasets. Agents based on large language models can reason about data and automate key stages of the statistical modelling workflow, from model fitting to validation. In this paper we propose a method that uses such an agent to estimate the conditional density of a response given a vector of covariates from an iid sample. The agent examines the sample, chooses a model for the conditional distribution of the response and the procedure to fit it, and returns the estimator as a short computer program. The program is built from a library of probability distributions. The returned law can therefore be a parametric distribution, a mixture or a multivariate factorization, with distribution parameters given by explicit formulas in the covariates. We call this approach agentic distributional regression (ADR). Unlike in the classical approach, the statistician no longer chooses the estimator, but asks an agent to build one. Treating the returned program as a random conditional density estimator, we derive a finite-sample error bound under assumptions on the number of admissible models and on the accuracy of the agent's fit, and an oracle inequality for the selection of a model among fitted candidates using independent validation data. Finally, assuming that, as the sample size grows, the agent selects the same smooth parametric model with probability tending to one and fits it accurately, we show that the estimated parameters are asymptotically normal. In simulation studies, on twelve real datasets and on a new dataset whose responses postdate the agents' training data, ADR with Claude Opus 5.5 has the best average performance among the existing methods from the statistical literature with which it is compared.
• Abstract（参考訳）: 人工知能は、統計学者に複雑なデータセットをモデリングし分析するための新しいパラダイムを提供する。 大規模言語モデルに基づくエージェントは、データに基づいて、モデル適合からバリデーションまで、統計モデリングワークフローの重要なステージを自動化することができる。 本稿では,そのようなエージェントを用いて,共変量ベクトルがアイド試料から与えられた応答の条件密度を推定する手法を提案する。 エージェントは、サンプルを調べ、応答の条件分布と適合手順のモデルを選択し、短いコンピュータプログラムとして推定器を返却する。 プログラムは確率分布のライブラリから構築される。 したがって、返却された法則はパラメトリック分布、混合あるいは多変量分解であり、共変量における明示的な公式によって与えられる分布パラメータを持つ。 この手法をエージェント分布回帰 (ADR) と呼ぶ。 古典的なアプローチとは異なり、統計学者はもはや推定器を選ばず、エージェントにそれを構築するよう依頼する。 返却プログラムを無作為な条件密度推定器として扱うと、許容モデル数とエージェントの適合精度の仮定に基づいて有限サンプル誤差を導出し、独立検証データを用いて適合候補の中からモデルを選択するためのオラクル不等式を導出する。 最後に, サンプルのサイズが大きくなるにつれて, エージェントが同一の滑らかなパラメトリックモデルを選択し, 正確に適合させると仮定すると, 推定パラメータは漸近的に正常であることを示す。 シミュレーション研究では、12の実際のデータセットと、エージェントのトレーニングデータに応答が遅れた新しいデータセット上で、Claude Opus 5.5を用いたADRは、比較した統計文献から、既存の手法の中で最高の平均性能を持つ。

関連論文リスト

• Testing Algebraic Complete Intersections [51.56484100374058]
  本研究では, 所定の次元, 有界次数, 有界条件数の実代数的完全交叉付近に分布が集中しているかどうかを検証する。 このような多様体の非存在を証明した明示的で効果的な学習手順を設計する。 次に、この補助最適化問題を解くために、データ駆動アルゴリズムを開発し、そのサンプルと算術的複雑性の明示的な境界を確立する。
  論文  参考訳（メタデータ） (2026-10-08T16:44:25Z)
• Efficient Covariance Estimation for Sparsified Functional Data [51.69796254617083]
  共分散関数のランダムノット(ランダムノット-空間)とB-スプライン(Bspline-Spatial)推定器は計算的に効率的である。 共分散の漸近的なポイントワイドは、ある規則性条件下でのスパース化された個々の軌跡に対して得られる。
  論文  参考訳（メタデータ） (2025-11-23T00:50:33Z)
• Going from a Representative Agent to Counterfactuals in Combinatorial Choice [1.7074019866492325]
  本稿では,二元多面体の集合からデータを抽出する意思決定問題について検討する。 本稿では,代表エージェントモデルに基づく非パラメトリックな非実例推論手法を提案する。
  論文  参考訳（メタデータ） (2025-05-29T15:24:23Z)
• Feynman-Kac Correctors in Diffusion: Annealing, Guidance, and Product of Experts [64.34482582690927]
  事前学習したスコアベースモデルから得られた熱処理, 幾何平均, 製品分布の配列から, 効率的かつ原理的に抽出する方法を提供する。 本稿では,サンプリング品質を向上させるために,推論時間スケーリングを利用する逐次モンテカルロ(SMC)再サンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-04T17:46:51Z)
• Bayesian Estimation and Tuning-Free Rank Detection for Probability Mass Function Tensors [17.640500920466984]
  本稿では,関節のPMFを推定し,そのランクを観測データから自動的に推定する新しい枠組みを提案する。 我々は、様々なモデルパラメータの後方分布を近似するために、変分推論(VI)に基づく決定論的解を導出し、さらに、変分推論(SVI)を利用して、VVIベースのアプローチのスケーラブルバージョンを開発する。 合成データと実映画レコメンデーションデータの両方を含む実験は、推定精度、自動ランク検出、計算効率の点で、VVIおよびSVIベースの手法の利点を示している。
  論文  参考訳（メタデータ） (2024-10-08T20:07:49Z)
• Semi-Supervised Quantile Estimation: Robust and Efficient Inference in High Dimensional Settings [0.5735035463793009]
  2つの利用可能なデータセットを特徴とする半教師付き環境での量子推定を考察する。 本稿では,2つのデータセットに基づいて,応答量子化(s)に対する半教師付き推定器群を提案する。
  論文  参考訳（メタデータ） (2022-01-25T10:02:23Z)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)
• Instability, Computational Efficiency and Statistical Accuracy [101.32305022521024]
  我々は,人口レベルでのアルゴリズムの決定論的収束率と,$n$サンプルに基づく経験的対象に適用した場合の(不安定性)の間の相互作用に基づいて,統計的精度を得るフレームワークを開発する。 本稿では,ガウス混合推定,非線形回帰モデル,情報的非応答モデルなど,いくつかの具体的なモデルに対する一般結果の応用について述べる。
  論文  参考訳（メタデータ） (2020-05-22T22:30:52Z)

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。