.png){kind=icon}
返回
Prediction-Powered Model Checking via Predictiveness Comparisons
.png){kind=icon}
PRE
AI
DOI：10.1007/s11424-026-5075-1.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
模型检验评估统计模型是否忠实捕获了潜在的数据生成过程。经典检验——如局部平滑和经验过程方法——在维度较高时会失效。较新的方法使用与灵活机器学习模型拟合流程的可预测性比较来产生与算法无关的检验，但这些方法需要大量的标记样本。作者介绍了一个基于预测的半监督框架，其：1）通过预训练模型为未标记数据插补响应；2）利用在标记数据上校准的矫正器校正插补偏差；3）通过数据驱动的功效调谐参数自适应地平衡这些组件。基于与算法无关的样本外可预测性比较，所提出的方法整合未标记信息以增强功效。理论分析和数值结果表明，所提出的检验控制了I型错误，并在插补模型误设的情况下，显著优于完全监督的对应方法。
Keyword:
Algorithm-agnostic inference
asymptotic normality
model checking
prediction-powered inference
semi-supervised inference
期刊
IF:
2.8
论文数:
212
被引数:
2.1K
机构
引用论文
An adaptive, rate-optimal test of a parametric mean-regression model against a nonparametric alternative.png)
ECONOMETRICA
ECONOMETRICAIF7.1
PREAI
分享收藏A Nonparametric Model Checking Test for Functional Linear Composite Quantile Regression Models功能性线性复合分位数回归模型的非参数模型检验方法
PREAI
分享收藏A consistent test for the functional form of a regression based on a difference of variance estimatorsANNALS OF STATISTICS
OAAI
ANNALS OF STATISTICSIF3.7
OAAI分享收藏
查看更多内容