U-statistic
PulseAugur coverage of U-statistic — every cluster mentioning U-statistic across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新方法实现单次差分私有置信区域
研究人员开发了一种新颖的框架，可以用一次隐私成本创建差分私有置信区域。该方法仅向最终重采样分位数添加噪声，而不是对每个中间估计器进行私有化。新程序通过降低隐私成本提供了显著优势，该成本对于有放回抽样来说是重采样数量的对数，而对于子抽样来说则与重采样数量无关。该方法为包括均值、分位数和退化U统计量在内的各种估计器提供了非渐近高斯差分隐私和效用保证，为执行差分隐私不确定性量化提供了一种更有效的方法。
-
新研究解决机器学习中的Shapley值估计挑战 · 2篇论文
arXiv上发表的两篇新研究论文提出了一种估计Shapley值的新方法。Shapley值是机器学习中用于特征归因的关键技术。第一篇论文介绍了FUSHAP，该方法旨在通过利用辅助站点来减少方差而不进行插补，以处理具有缺失数据的多站点研究。第二篇论文提出了一种条件Shapley值的半参数推断方法，提供了不确定性量化并解决了特征依赖性问题。与现有方法相比，这两种方法在合成和真实世界数据集中的准确性和偏差减少方面都得到了证明。
-
新算法显著加速复杂U统计量的计算
研究人员开发了一种新方法，可以更有效地计算高阶U统计量，这在统计学、机器学习和计算机科学中普遍存在。该论文介绍了一种分解技术，将U统计量转化为更易于处理的V统计量。它还探讨了使用爱因斯坦求和（一种来自量子计算的方法）来加速这些计算。一个配套的开源Python和R包“u-stats”已经发布，展示了比现有方法显著的运行时改进。
-
新的U统计量框架使用超图理论进行统计界定
一篇新论文介绍了一种理解和构造U统计量（一类基本的统计估计量）的新方法。该研究利用超图理论和组合设计来绕过传统的分析工具，为不完整的U统计量提供了Berry-Esseen界。该框架在退化情况下也建立了高斯极限分布的条件，并提出了构造这些统计量的高效算法，旨在为假设检验提供无排列的对应方法。
-
新方法改进了核 Stein 差异估计
研究人员开发了一种估计核 Stein 差异（KSD）的新方法，这是一种用于比较样本分布和评估近似推理的技术。该研究将 Stein 协方差算子的 Hilbert-Schmidt 范数确定为决定 minimax 风险的关键因素，建立了 \(\|C_\star\|_{\mathrm{HS}}/n\) 的新估计尺度。这种方法优于标准的 V 统计量，后者被证明对于某些分布和核来说是次优的。
-
新论文质疑结构不可知模型下双重机器学习估计器的容许性
一篇新发表在arXiv上的论文引入了结构不可知（SA）模型的概念，该模型旨在解决数据生成定律中缺乏关于结构性假设的先验知识的问题。虽然先前的工作表明，在这些SA模型下，双重机器学习（DML）估计器对于某些泛函是minimax的，但本文证明了这些DML估计器对于其中两个泛函是渐近不可容许的。作者提出了替代的二阶估计器，特别是经验高阶影响函数（HOIF）估计器，它们在SA模型下渐近优于DML估计器。
-
新的统计方法改进了高维U统计量的分析
研究人员开发了一种分析高维U统计量的新方法。U统计量是用于计量经济学等各个领域的复杂统计量。该方法提供了一个显式阶次的大偏差界限，详细说明了U统计量与其Hájek投影之间的最大偏差。这一进展包括新的矩不等式，并为这些统计量带来了改进的集中度和高斯近似结果。这些发现对于建立非参数回归估计量（如随机森林中使用的估计量）的基于重采样的置信区间的一致性具有实际应用价值。
-
新框架通过主动推理改进U统计量，适用于标签成本高昂的情况
研究人员开发了一种新的U统计量主动推理框架，旨在提高数据标注成本高昂时的估计效率。该方法在固定预算内选择性地查询信息性标签，并以增强的逆概率加权U统计量为基础。该框架还扩展到基于U统计量的经验风险最小化，在实验中显示出显著的效率提升并保持了目标覆盖率。
-
新方法解决了AI答案级微调博弈中的偏见问题
研究人员开发了一种新方法来解决答案级微调（ALFT）算法中的偏见问题。该方法将分布对齐博弈框架推广到任意Bregman散度，使得能够使用U统计量为某些几何形状构建无偏估计量。对于标准的KL散度博弈，推导出了一个全局鲁棒的最小最大多项式估计量，达到了最优的统计误差极限。这项工作引入了一种方差最优增强多项式优化程序（AQP）估计量，该估计量可降低方差，从而改善偏差并加速博弈收敛，从而实现更稳定高效的训练。