Jan, 2023

预测驱动的推论

PDF
TL;DR提出了一种利用机器学习进行预测的统计推断框架，可有效计算均值、分位数、线性和逻辑回归系数的置信区间，适用于蛋白质组学、基因组学等多种领域。
发现论文，激发创造
  • 基于贝叶斯预测的推断

    基于有限的人工标记数据，预测引导推理（PPI）方法可以提高统计估计。我们提出了一个基于贝叶斯推理的 PPI 框架，可以方便地开发新的任务适用的 PPI 方法，包括针对离散回答和非线性评分的 autoraters 的改进方法。

    May, 2024

  • 基于交叉预测的推理

    通过交叉预测方法进行有效机器学习推断，通过利用小规模标记数据集和大规模未标记数据集，来修正预测不准确性和潜在偏见，并获得更强大且置信区间更稳定的推断结果。

    Sep, 2023

  • PPI++：高效的预测驱动推理

    基于小型标记数据集和通常远大于其的机器学习预测数据集，我们提出了 PPI++：一种计算轻量级的估计和推断方法。该方法自动适应可用预测的质量，生成易于计算的置信区间（对于任何维度的参数），始终改进传统的区间估计方法，仅使用了标记数据。PPI++ 建立在预测驱动的推断（PPI）的基础上，解决了相同的问题设置，并提高了其计算和统计效率。真实和合成实验证明了所提出改进的好处。

    Nov, 2023

  • 基于分层预测的混合语言模型评估

    基于有限的人工标注数据，利用预测增强推断 (Prediction-powered inference, PPI) 方法可以改善统计估计。Stratified Prediction-Powered Inference (StratPPI) 是一种通过简单的数据分层策略来改善基本的 PPI 估计的方法。它提供了一种基于分层采样的计算成簇样本参数（例如平均值）的有效置信区间的算法，可以在多种条件分布的目标数据中获得比非分层方法更紧密的置信区间。

    Jun, 2024

  • 我们真的需要数据吗？

    以人工智能和机器学习为基础，本文研究了预测后推断问题的统计挑战，包括预测结果与真实结果之间的关系、机器学习模型对训练数据的鲁棒性以及将预测的偏差和不确定性传播到最终推断过程中。同时与传统领域的相关研究进行对比，揭示了设计在经典和现代推断问题中的作用。

    Jan, 2024

  • 基于数据自适应的假设简化和预测后推理

    这项研究介绍了一种无假设和数据自适应的后预测推断（POP-Inf）过程，能够基于机器学习预测的结果进行有效和有力的推断，并展示了其优越性和适用性通过模拟和大规模基因组数据。

    Nov, 2023

  • 主动统计推理

    活跃推理是一种与机器学习辅助数据收集相结合的统计推理方法，它通过在有限的标签收集预算下，利用机器学习模型识别哪些数据点最有利于标记，从而有效地利用资源。

    Mar, 2024

  • 预测后的有效推理

    该研究提出一种基于先前训练过的机器学习模型进行预测并且进一步推断的方法，并对现有方法的局限性进行了研究，发现提出的方法能够有效控制误差率和提供正确置信区间。

    Jun, 2023

  • 非模型广义基准推断

    基于可靠性和可问责性的指导原则，本文提出了一种模型无关的统计框架，用于不确定性量化和统计推断，通过预测集提供可控制第一类错误的有限样本控制方法，并提供了灵活的工具用于不确定性概率推理。

    Jul, 2023

  • 关于预测强化引导的自助法注释

    PPBoot is a bootstrap-based method that simplifies and expands the scope of prediction-powered inference to estimation problems without requiring asymptotic characterizations.

    May, 2024