Buchumschlag

Optimality and Adaptivity of Deep Neural Features for Instrumental Variable Regression

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kim, Juno, Meunier, Dimitri, Gretton, Arthur, Suzuki, Taiji, Li, Zhu
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Nonparametric Instrumental Regression via Kernel Methods is Minimax Optimal
von: Meunier, Dimitri, et al.
Veröffentlicht: (2024)

Demystifying Spectral Feature Learning for Instrumental Variable Regression
von: Meunier, Dimitri, et al.
Veröffentlicht: (2025)

Towards a Unified Analysis of Neural Networks in Nonparametric Instrumental Variable Regression: Optimization and Generalization
von: Chen, Zonghao, et al.
Veröffentlicht: (2025)

Nonparametric Instrumental Variable Regression with Observed Covariates
von: Shen, Zikai, et al.
Veröffentlicht: (2025)

Outcome-Aware Spectral Feature Learning for Instrumental Variable Regression
von: Meunier, Dimitri, et al.
Veröffentlicht: (2025)

Transformers Learn Nonlinear Features In Context: Nonconvex Mean-field Dynamics on the Attention Landscape
von: Kim, Juno, et al.
Veröffentlicht: (2024)

Towards Optimal Sobolev Norm Rates for the Vector-Valued Regularized Least-Squares Algorithm
von: Li, Zhu, et al.
Veröffentlicht: (2023)

Optimal Rates for Vector-Valued Spectral Regularization Learning Algorithms
von: Meunier, Dimitri, et al.
Veröffentlicht: (2024)

Transformers are Minimax Optimal Nonparametric In-Context Learners
von: Kim, Juno, et al.
Veröffentlicht: (2024)

Transformers Provably Solve Parity Efficiently with Chain of Thought
von: Kim, Juno, et al.
Veröffentlicht: (2024)

Nonparametric Instrumental Variable Analysis Without Structural Equations: Debiased Inference on Functionals of Inverse Problems with No Solutions
von: Shen, Zikai, et al.
Veröffentlicht: (2026)

Nonlinear Meta-Learning Can Guarantee Faster Rates
von: Meunier, Dimitri, et al.
Veröffentlicht: (2023)

Semiparametrically Efficient Inference for Kernel Measures of Noise Heterogeneity
von: Wornbard, Jakub, et al.
Veröffentlicht: (2026)

Hessian-guided Perturbed Wasserstein Gradient Flows for Escaping Saddle Points
von: Yamamoto, Naoya, et al.
Veröffentlicht: (2025)

Doubly Robust Proxy Causal Learning with Neural Mean Embeddings
von: Bozkurt, Bariscan, et al.
Veröffentlicht: (2026)

Density Ratio-Free Doubly Robust Proxy Causal Learning
von: Bozkurt, Bariscan, et al.
Veröffentlicht: (2025)

Density Ratio-based Proxy Causal Learning Without Density Ratios
von: Bozkurt, Bariscan, et al.
Veröffentlicht: (2025)

Metastable Dynamics of Chain-of-Thought Reasoning: Provable Benefits of Search, RL and Distillation
von: Kim, Juno, et al.
Veröffentlicht: (2025)

Regularized least squares learning with heavy-tailed noise is minimax optimal
von: Mollenhauer, Mattes, et al.
Veröffentlicht: (2025)

AutoLL: Automatic Linear Layout of Graphs based on Deep Neural Network
von: Watanabe, Chihiro, et al.
Veröffentlicht: (2021)

Degrees of Freedom for Linear Attention: Distilling Softmax Attention with Optimal Feature Efficiency
von: Nishikawa, Naoki, et al.
Veröffentlicht: (2025)

Symmetric Mean-field Langevin Dynamics for Distributional Minimax Problems
von: Kim, Juno, et al.
Veröffentlicht: (2023)

The Mechanism of Weak-to-Strong Generalization: Feature Elicitation from Latent Knowledge
von: Awano, Ryoya, et al.
Veröffentlicht: (2026)

Transformers as Measure-Theoretic Associative Memory: A Statistical Perspective and Minimax Optimality
von: Kawata, Ryotaro, et al.
Veröffentlicht: (2026)

Deep Two-Way Matrix Reordering for Relational Data Analysis
von: Watanabe, Chihiro, et al.
Veröffentlicht: (2021)

Mean-field Analysis on Two-layer Neural Networks from a Kernel Perspective
von: Takakura, Shokichi, et al.
Veröffentlicht: (2024)

Near-Optimality of Contrastive Divergence Algorithms
von: Glaser, Pierre, et al.
Veröffentlicht: (2025)

Kernel Treatment Effects with Adaptively Collected Data
von: Zenati, Houssam, et al.
Veröffentlicht: (2025)

Deep Proxy Causal Learning and its Application to Confounded Bandit Policy Evaluation
von: Xu, Liyuan, et al.
Veröffentlicht: (2021)

Mamba Can Learn Low-Dimensional Targets In-Context via Test-Time Feature Learning
von: Oh, Junsoo, et al.
Veröffentlicht: (2025)

Geometry-Aware Instrumental Variable Regression
von: Kremer, Heiner, et al.
Veröffentlicht: (2024)

Kernel Single Proxy Control for Deterministic Confounding
von: Xu, Liyuan, et al.
Veröffentlicht: (2023)

Perturbative methods for non-parametric instrumental variable
von: Bu, Wei, et al.
Veröffentlicht: (2026)

Semiparametric Efficient Test for Interpretable Distributional Treatment Effects
von: Zenati, Houssam, et al.
Veröffentlicht: (2026)

Deep MMD Gradient Flow without adversarial training
von: Galashov, Alexandre, et al.
Veröffentlicht: (2024)

Test time training enhances in-context learning of nonlinear functions
von: Kuwataka, Kento, et al.
Veröffentlicht: (2025)

In-Context Learning Is Provably Bayesian Inference: A Generalization Theory for Meta-Learning
von: Wakayama, Tomoya, et al.
Veröffentlicht: (2025)

State Space Models are Provably Comparable to Transformers in Dynamic Token Selection
von: Nishikawa, Naoki, et al.
Veröffentlicht: (2024)

Approximation and Estimation Ability of Transformers for Sequence-to-Sequence Functions with Infinite Dimensional Input
von: Takakura, Shokichi, et al.
Veröffentlicht: (2023)

Optimal Categorical Instrumental Variables
von: Wiemann, Thomas
Veröffentlicht: (2023)