プロキシ誘導型測定較正

arXiv cs.LG / 2026/3/11

Ideas & Deep AnalysisModels & Research

要点

  • 本論文は、調査や行政記録で収集される集計結果変数における体系的な測定誤差の問題に取り組んでいる。例えば災害被害データベースでは、郡レベルで報告される被害額が現地のデータ収集能力、報告慣行、イベント特性の違いにより真の被害と異なる場合がある。
  • バイアスを引き起こす潜在変数と真の結果を生み出す要因を因果グラフで分離し、データ生成過程をモデル化するプロキシ誘導フレームワークを提案する。
  • バイアス機構とは独立し、真の結果に依存するプロキシ変数を用いて体系的誤差を識別・定量化し、補正を可能にする。
  • 変分オートエンコーダを用いた二段階アプローチで真の内容要因とバイアス要因を分離し、測定バイアスの効果を推定する。
  • 合成データ、半合成データ、実際の災害被害報告データで検証され、データ品質向上とその後の意思決定への応用可能性を示す。

計算機科学 > 機械学習

arXiv:2603.09288 (cs)
[2026年3月10日に投稿]

題名:Proxy-Guided Measurement Calibration

Saketh Vishnubhatla および他4名の著者による「Proxy-Guided Measurement Calibration」という題名の論文のPDFを表示
PDFを表示 HTML(実験的)
要旨:調査や行政記録を通じて収集される集計結果変数は、しばしば体系的な測定誤差の影響を受けます。例えば災害の損失データベースでは、郡(カウンティ)レベルで報告された損失は、現場でのデータ収集能力の違い、報告慣行、そして出来事(イベント)の特性によって、真の損害と異なることがあります。このようなミスキャリブレーションは、下流の分析や意思決定を難しくします。本研究では、結果のミスキャリブレーションの問題を扱い、体系的な誤差を推定し修正するための、代理変数(プロキシ変数)に導かれる枠組みを提案します。データ生成過程を、因果グラフを用いてモデル化し、真の結果を駆動する潜在的なコンテンツ変数と、体系的な誤差を引き起こす潜在的なバイアス変数を分離します。主要な洞察は、真の結果に依存する一方で、バイアスのメカニズムとは独立である代理変数が、バイアスを定量化するための同定情報を提供する、という点です。この構造を活用して、変分オートエンコーダ(VAE)を用いる二段階の手法を導入し、コンテンツとバイアスの潜在変数を切り離すことで、関心対象の結果に対するバイアスの効果を推定できるようにします。本アプローチの前提となる仮定を分析し、合成データ、ランダム化試験から導出した準合成データ、ならびに災害損失報告に関する実世界の事例研究で評価します。
分野: 機械学習 (cs.LG)
引用方法: arXiv:2603.09288 [cs.LG]
  (または、このバージョンでは arXiv:2603.09288v1 [cs.LG])
  https://doi.org/10.48550/arXiv.2603.09288
詳細を学ぶためにフォーカス
DataCite 経由で発行された arXiv DOI

投稿履歴

発行元: Saketh Vishnubhatla [メールを表示]
[v1] 2026年3月10日(火)07:15:02 UTC(8,928 KB)
全文リンク:

論文へのアクセス:

現在の閲覧コンテキスト:
cs.LG
切り替えて閲覧するには:
cs
BibTeX引用をエクスポート 読み込み中...

BibTeX形式の引用

×
提供データ元:

ブックマーク

BibSonomyロゴ Redditロゴ
書誌ツール

書誌および引用ツール

書誌エクスプローラーの切り替え
書誌エクスプローラー (エクスプローラーとは?)
Connected Papersの切り替え
Connected Papers (Connected Papersとは?)
Litmapsの切り替え
Litmaps (Litmapsとは?)
scite.aiの切り替え
scite Smart Citations (Smart Citationsとは?)
コード、データ、メディア

この記事に関連付けられたコード、データ、メディア

alphaXivの切り替え
alphaXiv (alphaXivとは?)
コードへのリンクの切り替え
論文のためのCatalyzeX Code Finder (CatalyzeXとは?)
DagsHubの切り替え
DagsHub (DagsHubとは?)
GotitPub トグル
Gotit.pub (GotitPubとは?)
Huggingface トグル
Hugging Face (Huggingfaceとは?)
コードへのリンク トグル
Papers with Code (Papers with Codeとは?)
ScienceCast トグル
ScienceCast (ScienceCastとは?)
デモ

デモ

Replicate トグル
Replicate (Replicateとは?)
Spaces トグル
Hugging Face Spaces (Spacesとは?)
Spaces トグル
TXYZ.AI (TXYZ.AIとは?)
関連論文

レコメンダーおよび検索ツール

Influence Flowerへのリンク
Influence Flower (Influence Flowerとは?)
Core レコメンダー トグル
CORE レコメンダー (COREとは?)
IArxiv レコメンダー トグル
IArxiv レコメンダー (IArxivとは?)
arXivLabs について

arXivLabs:コミュニティの協力者とともに行う実験的プロジェクト

arXivLabs は、協力者が当社のウェブサイト上で新しい arXiv の機能を直接開発し、共有できるようにするためのフレームワークです。

arXivLabs に関わる個人および組織の双方が、開放性、コミュニティ、卓越性、ユーザーデータのプライバシーという当社の価値観を受け入れ、そしてこれを自らも尊重してきました。arXiv はこれらの価値観に取り組んでおり、それらを遵守するパートナーとのみ協働します。

arXiv のコミュニティに価値を加えるプロジェクトのアイデアはありますか? arXivLabs についてさらに詳しく