Dey, N., Martin, R., & Williams, J. P. (2024). Generalized Universal Inference on Risk Minimizers. arXiv preprint arXiv:2402.00202v2.
本研究旨在開發一種新的統計推論方法,用於在沒有強分佈或結構假設的情況下,對風險最小化器進行推論。
本研究提出了一種稱為廣義通用推論 (GUe-value) 的方法,該方法基於 Wasserman 等人 (2020) 提出的通用推論框架,並將其推廣到更廣泛的學習問題。GUe-value 使用經驗風險函數代替模型的似然函數,並利用強中心條件來確保其在有限樣本下的有效性。
GUe-value 為廣泛的學習問題提供了可靠且有效的推論方法,即使在沒有強分佈或結構假設的情況下也是如此。
本研究為統計學習和安全推論之間建立了聯繫,並為解決科學中的複製危機以及傳統推論方法經常失敗的問題(例如,基於 K 均值算法推斷不平衡群體中的質心)提供了一種有希望的方法。
翻譯成其他語言
從原文內容
arxiv.org
深入探究