論文の概要: Post-stratified importance sampling
- arxiv url: http://arxiv.org/abs/2611.05238v1
- Date: Tue, 03 Nov 2026 17:21:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 13:29:46.568245
- Title: Post-stratified importance sampling
- Title(参考訳): ポスト・ストラトライズド・プライオリティ・サンプリング
- Abstract要約: 提案手法では,提案手法から目標達成度を推定するためのPIS(Post-stratified importance sample)を提案する。
PISは任意の高次元重み付けを2つの1次元確率的モデリング問題に再構成する。
条件平均に対する1次元ガウス過程回帰とスコアインフォームド重み付き密度推定を組み合わせたモデルベース実装を開発した。
- 参考スコア(独自算出の注目度): 3.9246573430624783
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Importance sampling is a building block of modern statistical computing, but the weighted estimate is prone to high or infinite variance. Moreover, its empirical standard error is often unreliable, leaving importance sampling without practical uncertainty quantification. Motivated by multilevel regression and poststratification (MRP) in survey sampling, we propose post-stratified importance sampling (PIS) for estimating target expectations from proposal draws. PIS reformulates arbitrarily high-dimensional weighting into two one-dimensional probabilistic modeling problems: regression for the conditional mean given the importance ratio and marginal density estimation for the importance ratio. Different modeling choices yield a family of PIS estimators, encompassing ordinary importance sampling as a special case. We develop a model-based implementation that combines one-dimensional Gaussian process regression for the conditional mean and score-informed heavy-tailed density estimation for the marginal law, using both the observed weights and the available density evaluations. We study the oracle gains of PIS and establish consistency under general and model-specific conditions. Simulations and applications to cross-validation demonstrate improvements in estimation accuracy and uncertainty quantification.
- Abstract(参考訳): 重要度サンプリングは現代の統計計算の構成要素であるが、重み付けされた推定は高あるいは無限のばらつきを引き起こす。
さらに、その経験的標準誤差は信頼できないことが多く、実際的な不確実な定量化なしに重要なサンプリングが残される。
マルチレベル回帰とポストストラトフィケーション (MRP) によるサーベイサンプリングの動機付けを行い,提案手法から目標予測を推定するためのポストストラトフィケーション・プライオリティ・サンプリング (PIS) を提案する。
PISは、重み付けを2つの1次元確率的モデリング問題、すなわち、重要度が与えられた条件平均の回帰と、重要度が与えられた限界密度の推定に任意に修正する。
異なるモデリング選択は、特別な場合として通常の重要度サンプリングを含む、PSS推定器の族を生成する。
本研究では,条件平均の1次元ガウス過程回帰と限界法則のスコアインフォームド重み付き密度推定を組み合わせたモデルベース実装を提案する。
PISのオラクルゲインを調査し、一般およびモデル固有条件下で整合性を確立する。
クロスバリデーションのシミュレーションと応用は、推定精度と不確実性定量化の改善を示す。
関連論文リスト
- Learning under Target Shift: Optimal Density Ratio Estimation and Importance-Weighted Regression [0.2578242050187029]
連続出力による目標シフト下での密度比推定と重要重み付き回帰について検討した。
連続密度比を推定するための再生カーネルヒルベルト空間(RKHS)におけるスペクトル正則化法を提案する。
次に、推定密度比を重み付け回帰に組み込み、最終予測器への密度比推定誤差の伝搬を特徴付ける。
論文 参考訳(メタデータ) (2026-09-14T16:05:44Z) - Importance-Weighted Non-IID Sampling for Flow Matching Models [5.995277983968318]
本研究では,フロー分布の多様で健全な領域をカバーするために,複数のサンプルを共同で描画する重要重み付き非IIDサンプリングフレームワークを提案する。
多様性と品質のバランスをとるために,多様性機構のためのスコアベースの正規化を導入する。
提案手法は,重要度と期待値の双方について,多種多様で高品質なサンプルと正確な推定値を生成する。
論文 参考訳(メタデータ) (2025-11-21T22:05:56Z) - A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。
逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。
本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
論文 参考訳(メタデータ) (2025-05-16T17:00:52Z) - PQMass: Probabilistic Assessment of the Quality of Generative Models using Probability Mass Estimation [18.420119415733275]
そこで本研究では,各試料から得られる2つの分布を比較するための可能性のない手法を提案する。
PQMassはサンプル空間を重複しない領域に分割し、各領域に該当するデータサンプルの数にチ二乗テストを適用する。
我々はPQMassが適度に高次元データにスケールできることを示し、実用的な応用における特徴抽出の必要性を排除している。
論文 参考訳(メタデータ) (2024-02-06T19:39:26Z) - Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。
本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。
新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
論文 参考訳(メタデータ) (2023-07-19T12:11:15Z) - Semi-Parametric Inference for Doubly Stochastic Spatial Point Processes: An Approximate Penalized Poisson Likelihood Approach [3.085995273374333]
二重確率点過程は、ランダム強度関数の実現を前提とした不均一過程として空間領域上の事象の発生をモデル化する。
既存の二重確率空間モデルの実装は、計算的に要求され、しばしば理論的な保証が制限され、または制限的な仮定に依存している。
論文 参考訳(メタデータ) (2023-06-11T19:48:39Z) - A Tale of Sampling and Estimation in Discounted Reinforcement Learning [50.43256303670011]
割引平均推定問題に対して最小値の最小値を求める。
マルコフ過程の割引されたカーネルから直接サンプリングすることで平均を推定すると、説得力のある統計的性質が得られることを示す。
論文 参考訳(メタデータ) (2023-04-11T09:13:17Z) - Low Variance Off-policy Evaluation with State-based Importance Sampling [21.727827944373793]
本稿では, 重みの計算から特定の状態を取り除き, ばらつきを低減できる状態ベース重要度サンプリング推定器を提案する。
4つの領域の実験により、状態ベースの手法は、従来の手法に比べて、ばらつきの低減と精度の向上を一貫して達成していることが示された。
論文 参考訳(メタデータ) (2022-12-07T19:56:11Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳(メタデータ) (2021-06-07T18:31:47Z) - TraDE: Transformers for Density Estimation [101.20137732920718]
TraDEは自己回帰密度推定のための自己アテンションに基づくアーキテクチャである。
本稿では, 生成したサンプルを用いた回帰, 分布外検出, トレーニングデータにおける雑音に対する頑健性などのタスクについて述べる。
論文 参考訳(メタデータ) (2020-04-06T07:32:51Z)
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。