Buchumschlag

When the whole is greater than the sum of its parts: Scaling black-box inference to large data settings through divide-and-conquer

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Hector, Emily C., Lenzi, Amanda
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Methodology Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Scalable Bayesian inference for time series via divide-and-conquer
von: Ou, Rihui, et al.
Veröffentlicht: (2021)

Divide-and-conquer with finite sample sizes: valid and efficient possibilistic inference
von: Hector, Emily C., et al.
Veröffentlicht: (2025)

Neural Likelihood Surfaces for Spatial Processes with Computationally Intensive or Intractable Likelihoods
von: Walchessen, Julia, et al.
Veröffentlicht: (2023)

Towards black-box parameter estimation
von: Lenzi, Amanda, et al.
Veröffentlicht: (2023)

Diffusion posterior sampling for simulation-based inference in tall data settings
von: Linhart, Julia, et al.
Veröffentlicht: (2024)

Stabilizing black-box model selection with the inflated argmax
von: Adrian, Melissa, et al.
Veröffentlicht: (2024)

Personalizing black-box models for nonparametric regression with minimax optimality
von: Li, Sai, et al.
Veröffentlicht: (2026)

Collaborative causal inference on distributed data
von: Kawamata, Yuji, et al.
Veröffentlicht: (2022)

Chained Markov melding using divide and conquer sequential Monte Carlo
von: Liu, Yixuan, et al.
Veröffentlicht: (2026)

Efficient optimization of expensive black-box simulators via marginal means, with application to neutrino detector design
von: Kim, Hwanwoo, et al.
Veröffentlicht: (2025)

Amortized Bayesian inference for actigraph time sheet data from mobile devices
von: Zhou, Daniel, et al.
Veröffentlicht: (2026)

Multivariate and Online Transfer Learning with Uncertainty Quantification
von: Hickey, Jimmy, et al.
Veröffentlicht: (2024)

Statistical inference for case-control logistic regression via integrating external summary data
von: Shi, Hengchao, et al.
Veröffentlicht: (2024)

Clustered random forests with correlated data for optimal estimation and inference under potential covariate shift
von: Young, Elliot H., et al.
Veröffentlicht: (2025)

A Framework for Improving the Reliability of Black-box Variational Inference
von: Welandawe, Manushi, et al.
Veröffentlicht: (2022)

missForestPredict -- Missing data imputation for prediction settings
von: Albu, Elena, et al.
Veröffentlicht: (2024)

Inference at the data's edge: Gaussian processes for modeling and inference under model-dependency, poor overlap, and extrapolation
von: Cho, Soonhong, et al.
Veröffentlicht: (2024)

Transductive conformal inference with adaptive scores
von: Gazin, Ulysse, et al.
Veröffentlicht: (2023)

Formalising causal inference as prediction on a target population
von: Höltgen, Benedikt, et al.
Veröffentlicht: (2024)

Knowledge Distillation Decision Tree for Unravelling Black-box Machine Learning Models
von: Lu, Xuetao, et al.
Veröffentlicht: (2022)

Semi-parametric inference based on adaptively collected data
von: Lin, Licong, et al.
Veröffentlicht: (2023)

A fast and effective kernel two-sample test for large-scale data
von: Song, Hoseung, et al.
Veröffentlicht: (2021)

When can weak latent factors be statistically inferred?
von: Fan, Jianqing, et al.
Veröffentlicht: (2024)

Robust Validation: Confident Predictions Even When Distributions Shift
von: Cauchois, Maxime, et al.
Veröffentlicht: (2020)

IncomeSCM: From tabular data set to time-series simulator and causal estimation benchmark
von: Johansson, Fredrik D.
Veröffentlicht: (2024)

Synthetic Augmentation in Imbalanced Learning: When It Helps, When It Hurts, and How Much to Add
von: Ma, Zhengchi, et al.
Veröffentlicht: (2026)

Predictive variational inference: Learn the predictively optimal posterior distribution
von: Lai, Jinlin, et al.
Veröffentlicht: (2024)

Causal inference using invariant prediction: identification and confidence intervals
von: Peters, Jonas, et al.
Veröffentlicht: (2015)

Neural variational inference for cutting feedback during uncertainty propagation
von: Song, Jiafang, et al.
Veröffentlicht: (2025)

Tree-based variational inference for Poisson log-normal models
von: Chaussard, Alexandre, et al.
Veröffentlicht: (2024)

Causal inference through multi-stage learning and doubly robust deep neural networks
von: Zhang, Yuqian, et al.
Veröffentlicht: (2024)

Simulation-based inference via telescoping ratio estimation for trawl processes
von: Leonte, Dan, et al.
Veröffentlicht: (2025)

High-dimensional semi-supervised learning: in search for optimal inference of the mean
von: Zhang, Yuqian, et al.
Veröffentlicht: (2019)

Neural Bayes estimators for censored inference with peaks-over-threshold models
von: Richards, Jordan, et al.
Veröffentlicht: (2023)

When accurate prediction models yield harmful self-fulfilling prophecies
von: van Amsterdam, Wouter A. C., et al.
Veröffentlicht: (2023)

Leveraging Black-box Models to Assess Feature Importance in Unconditional Distribution
von: Zhou, Jing, et al.
Veröffentlicht: (2024)

Prediction De-Correlated Inference: A safe approach for post-prediction inference
von: Gan, Feng, et al.
Veröffentlicht: (2023)

Efficient nonparametric statistical inference on population feature importance using Shapley values
von: Williamson, Brian D., et al.
Veröffentlicht: (2020)

Adaptive Experimentation When You Can't Experiment
von: Zhao, Yao, et al.
Veröffentlicht: (2024)

Performance of weakly-supervised electronic health record-based phenotyping methods in rare-outcome settings
von: Hong, Yunjing, et al.
Veröffentlicht: (2026)