基于 Gibbs 等人最近的研究工作 [2023],我们提出一种方法来实现对统计风险(损失函数的期望值)的近似条件控制,通过适应测试样本的困难程度,实现了对回归和分割任务的细粒度控制,通过持续监测和调整这些参数,我们可以达到比传统风险控制方法更高的精确度。
Jun, 2024
该篇论文处理的是一种监督式学习框架,利用神经控制微分方程预测来自不规则采样时间序列的结果,并通过理论结果与神经网络的 Lipschitz 常数关联,从而上界估计经验风险最小化器得出的期望损失与真实预测器期望损失之间的归纳差距。
May, 2023
基因组研究中的假设检验问题,针对多元广义线性模型中的混淆效应,提出了一种统一的估计和推断框架,能够控制假阳性率,并且比替代方法更强大。
Sep, 2023
介绍了针对政策评估的反事实和合成控制方法的新推断过程。将因果推理问题重新表述为反事实预测和结构性断裂检验问题,并开发置换推断过程以适应现代高维度估计器,能在弱和易验证的条件下有效地进行,并证明了对错误说明的稳健性。本方法可以与许多不同的方法结合使用,用于在没有政策干预的情况下预测反事实均值结果。我们的方法在模拟中表现出优秀的小样本性能,并进行数据应用,重新评估取消室内卖淫的后果。
Dec, 2017
本文探讨了如何从多个数据集和关于基础数据生成模型的定性假设组合中学习出强健、通用的预测模型。通过定义不同的不变性特性,我们的方法旨在在未观察到混淆因素的情况下建立因果性的解,从而连接数据分布的一组仿射组合上的显式分布鲁棒优化问题。我们在医疗保健数据上展示了我们方法的实证表现。
Jul, 2020
利用控制屏障函数的机器学习框架可以降低非线性控制系统中的模型不确定性,从而实现系统的安全行为。通过在 Segway 平台上进行模拟和实验验证,这种方法可以持续收集数据并更新控制器,最终实现安全行为。
Dec, 2019
在现代统计学和机器学习中,条件独立性检验是基础性且具有挑战性的。许多现代的条件独立性检验方法依赖于强大的监督学习方法,在学习回归函数或贝叶斯预测器时作为一种中间步骤。然而,当监督学习方法由于模型错误估计导致失败时,这些方法的行为了解还很有限。在更广义上,即使使用通用逼近器(如深度神经网络),模型错误估计仍然可能产生。因此,我们研究了基于回归的条件独立性测试在模型错误估计下的性能。具体地,我们提出了三个基于回归的测试的测试误差的新近似值或上界,这些误差依赖于模型错误估计。此外,我们引入了一种新的基于回归的条件独立性测试方法,即 Rao-Blackwellized 预测器测试(RBPT),该方法对模型错误估计具有鲁棒性。最后,我们使用人工数据和真实数据进行实验证明了我们的理论和方法的有用性。
Jul, 2023
现代科学研究中,识别与结果相关的变量是一个常见目标。本研究介绍了一种基于条件预测函数 (CPF) 的变量选择方法,该方法能够捕捉预测变量与结果之间的非线性关系,并同时考虑特征之间的相关性,具有优于常见方法的选择功效。
Oct, 2023
提出了一种满足安全性和实时性约束,利用贝叶斯模型学习和随机 CLFs、CBFs 控制框架的深度神经网络模型不确定性学习的方法,并在高速行进的火星车任务中进行了演示。
Oct, 2019
在负责任的机器学习中,显式地对模型性能进行有限样本统计保证是重要的要素。我们引入了一个新的研究领域 —— 具有社会影响的分布自由统计离散度控制,并提出了一个简单而灵活的框架,能够处理比以前更丰富的统计功能类别。我们通过毒性评论检测、医学图像和电影推荐的实验来验证我们的方法。