Nov, 2023

序贯决策的似然比置信集

PDF
TL;DR基于似然比的推理原则重新考虑，提出了使用似然比构建任意时间有效的置信序列方法，适用于具有良好似然度的问题，而且结果保持模型无关的预定覆盖率；同时，研究了如何选择最佳的估计器序列以及与在线凸优化算法（例如 Follow-the-Regularized-Leader）的关联，提出了一种去偏的重新加权方案，可用于非参数设置，并通过非渐近分析确定了广义线性模型中的置信集大小，并在广义线性赌博机问题、生存分析和带有不同加性噪声分布的赌博机上展示了方法的实际优势。
adaptive uncertainty estimateslikelihood-based inferenceconfidence sequencesestimator sequencegeneralized linear models
发现论文，激发创造
  • 使用经过校准的判别性分类器来逼近似然比

    本文提出了一种基于机器学习和降维的新方法，用于进行无似然推断，不需要事先了解模型参数的先验分布。

    Jun, 2015

  • 有界随机变量的接近最优置信区间

    本研究提供了一种基于 Bentkus 集中结果的近乎最优置信序列，用于解决在线推断中随着样本大小不断增长需要统一有效置信区间的问题，证实这种置信序列在合成覆盖问题和自适应停止算法方面具有优越性。

    Jun, 2020

  • 基于似然比的神经网络置信区间

    该论文介绍了一种利用似然比方法构建神经网络置信区间的初步实现，提出了 DeepLR 方法，该方法具有限定数据区域扩展的不对称区间以及考虑训练时间、网络结构和正则化技术等因素的优势。尽管当前实现方式在许多深度学习应用中代价过高，但在医学预测或天体物理学等领域，对单个预测的可靠不确定性估计已经具有明确的价值。这项工作突显了基于似然比的不确定性估计的潜力，并为未来的研究打下了良好基础。

    Aug, 2023

  • 时间均匀的非参数非渐近置信序列

    本文根据非参数条件下的迭代对数率法则和序贯概率比检验，建立了一种置信序列，可以在无限时间轴上逐渐逼近零宽度，并推广了指数集中方法，对子高斯和伯恩斯坦条件，自标准化过程和矩阶鞅等非参数条件下的置信序列进行了紧密的非渐近性描述，同时将这些证明技巧推广到协方差矩阵估计和样本平均处理效应估计领域。

    Oct, 2018

  • 应用于 A/B 测试和最佳臂识别的分位数序列估计

    该研究论文提出了一种置信度序列方法，可用于跟踪任何完全排序集合上的分布分位数，同时提供了新的经验分布函数的集中不等式，并在多臂老虎机框架中提供了选择玩家的新算法和样本复杂度边界。

    Jun, 2019

  • 使用比值估计实现无似然推断

    基于逻辑回归的比例估计方法作为参数统计推断的替代方法，以更丰富的总结统计信息来消除假设先验和卡方问题。

    Nov, 2016

  • 训练神经网络进行似然 / 密度比估计

    本文介绍了一种基于神经网络和优化方法的似然比函数估计的方法，可用于工程和统计领域中的检测和假设检验问题。

    Nov, 2019

  • 高维半参数回归的似然比框架

    提出一种基于似然比的高维半参数广义线性模型的推理框架，包括使用规则化统计制备模型、构建后规则化的置信区间和测试、发展新的浓缩不等式和正态逼近结果，以及应用于缺失数据问题的示例。

    Dec, 2014

  • 鲁棒优化的统计学：一种广义经验似然方法

    本文研究了基于经验似然和分布鲁棒解的方法进行随机优化问题的统计推断，特别关注最优值的置信区间和渐近达到精确覆盖的解决方案。我们提出了一个基于非参数 $f$- 分歧球构建的分布不确定性集合的广义经验似然框架，用于 Hadamard 可微函数和随机优化问题，从而提供了一个有原则的选择分布不确定性区域大小的方法，以实现达到精确覆盖的单侧和双侧置信区间。我们还给出了我们分布鲁棒的公式的渐近展开，表明如何通过方差来规范化问题。最后，我们证明了，我们研究的分布鲁棒公式的优化器具有与经典样本平均逼近中的优化器基本相同的一致性属性。我们的一般方法适用于快速混合的平稳序列，包括几何上遗传的 Harris 递归马尔科夫链。

    Oct, 2016

  • 使用并行随机优化几乎免费实现高置信度推断

    通过利用少量的独立多轮运行获得分布信息并构建基于 t 分布的置信区间，在保证高置信水平的前提下，提出了一种快速计算收敛到名义水平置信区间的新型推断方法，几乎不需要额外的计算和内存开销。

    Jan, 2024