Fugu-MT 論文翻訳(概要): An Automatic Relevance Determination Prior Bayesian Neural Network for Controlled Variable Selection

論文の概要: An Automatic Relevance Determination Prior Bayesian Neural Network for Controlled Variable Selection

arxiv url: http://arxiv.org/abs/2001.01765v1
Date: Mon, 6 Jan 2020 20:12:58 GMT
ステータス: 処理完了
システム内更新日: 2023-01-14 01:59:33.492196
Title: An Automatic Relevance Determination Prior Bayesian Neural Network for Controlled Variable Selection
Title（参考訳）: 制御変数選択のためのベイズ型ニューラルネットワークの自動帰属判定
Authors: Rendani Mbuvha, Illyes Boulkaibet and Tshilidzi Marwala
Abstract要約: モデル-xノックオフフィルタの特徴量として,ベイズニューラルネットワーク(BNN-ARD)の重み l2-norm を用いた自動相関決定法を提案する。シミュレーションデータとノルウェーの風力発電データを用いて,提案した特徴量の重要性が統計的に有意な改善をもたらすことを示す。
参考スコア（独自算出の注目度）: 2.8102838347038617
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present an Automatic Relevance Determination prior Bayesian Neural Network(BNN-ARD) weight l2-norm measure as a feature importance statistic for the model-x knockoff filter. We show on both simulated data and the Norwegian wind farm dataset that the proposed feature importance statistic yields statistically significant improvements relative to similar feature importance measures in both variable selection power and predictive performance on a real world dataset.
Abstract（参考訳）: モデル-xノックオフフィルタの特徴量として,ベイズニューラルネットワーク(BNN-ARD)の重み l2-norm を用いた自動相関決定法を提案する。シミュレーションデータとノルウェーの風力発電データを用いて,提案した特徴重要度統計値が,変動選択能力と実世界の予測性能の両方において類似した特徴重要度尺度と比較して統計的に有意な改善をもたらすことを示す。

関連論文リスト

Neural Priming for Sample-Efficient Adaptation [92.14357804106787]
ニューラルプライミング(Neural Priming)は、大規模な事前学習されたモデルを分散シフトや下流タスクに適応させる手法である。ニューラルプライミングは、LAION-2Bほどの大きさの事前訓練であっても、テスト時に行うことができる。
論文参考訳（メタデータ） (2023-06-16T21:53:16Z)
Data Selection for Language Models via Importance Resampling [90.9263039747723]
我々は、望まれるターゲット分布に合わせるために、大規模な未ラベルデータセットのサブセットを選択するという問題を形式化する。我々は、LMデータ選択のために低次元で使用される古典的な重要度再サンプリング手法を拡張した。 DSIRフレームワークをhash n-gram機能でインスタンス化し、4.5時間で1億のドキュメントを選択できる。
論文参考訳（メタデータ） (2023-02-06T23:57:56Z)
A Solvable Model of Neural Scaling Laws [72.8349503901712]
大量のパラメータを持つ大規模な言語モデルは、インターネットに近い数のトークンで訓練されると、ニューラルネットワークのスケーリング法則に従うことが実証的に示されている。我々は,このニューラルスケーリング現象を捉える統計モデル(共同生成データモデルとランダム特徴モデル)を提案する。主な発見は、自然データセットの統計に現れる電力法則が非線形ランダムな特徴写像によって拡張される方法である。
論文参考訳（メタデータ） (2022-10-30T15:13:18Z)
Statistical inference of travelers' route choice preferences with system-level data [4.120057972557892]
本研究では,システムレベルのデータを用いて旅行者の実用機能を複数の属性で推定する手法を開発した。合成データを用いた実験では、係数は一貫して回復され、仮説テストはどの属性が旅行者の経路選択の決定要因であるかを特定する信頼できる統計量であることが示されている。この方法論は、新型コロナウイルスの感染拡大時に収集された実際のFresnoworldマルチソースデータを使用して、大規模に展開される。
論文参考訳（メタデータ） (2022-04-23T00:38:32Z)
Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
論文参考訳（メタデータ） (2022-04-18T09:25:06Z)
Evaluating natural language processing models with generalization metrics that do not need access to any training or testing data [66.11139091362078]
本稿では,Hugingface から事前学習した大規模トランスフォーマーに対して,一般化指標を用いた最初のモデル選択結果を提案する。ニッチな状況にもかかわらず、ヘビーテール(HT)の観点から派生したメトリクスは、特にNLPタスクにおいて有用である。
論文参考訳（メタデータ） (2022-02-06T20:07:35Z)
Feature Analysis for ML-based IIoT Intrusion Detection [0.0]
ネットワーク侵入検知システム(NIDS)の実装に強力な機械学習モデルが採用されている。検出精度と計算効率を最大化するデータ特徴の適切なセットを選択することが重要である。本稿では,ネットワーク攻撃の重要性と予測力の観点から,最適な特徴セットを広範囲に分析する。
論文参考訳（メタデータ） (2021-08-29T02:19:37Z)
Statistical model-based evaluation of neural networks [74.10854783437351]
ニューラルネットワーク(NN)の評価のための実験装置を開発する。このセットアップは、NNs vis-a-vis minimum-mean-square-error (MMSE)パフォーマンス境界のベンチマークに役立つ。これにより、トレーニングデータサイズ、データ次元、データ幾何学、ノイズ、トレーニング条件とテスト条件のミスマッチの影響をテストできます。
論文参考訳（メタデータ） (2020-11-18T00:33:24Z)
Neural Gaussian Mirror for Controlled Feature Selection in Neural Networks [3.716862357836751]
本稿では,カーネルをベースとした条件依存度に基づく構造的摂動により,ミラー化された特徴が生成されるニューラルガウスミラー(NGM)を紹介し,特徴の重要性を評価する。シミュレーションおよび実データ例で示すように,提案手法は事前定義されたレベルで特徴選択誤差率を制御し,高度に相関した特徴が存在する場合でも高い選択力を維持する。
論文参考訳（メタデータ） (2020-10-13T04:30:53Z)
On Feature Selection Using Anisotropic General Regression Neural Network [3.880707330499936]
入力データセットに無関係な特徴が存在することは、機械学習モデルの解釈可能性と予測品質を低下させる傾向がある。本稿では, 一般回帰ニューラルネットワークと異方性ガウスカーネルを併用して特徴選択を行う方法を示す。
論文参考訳（メタデータ） (2020-10-12T14:35:40Z)
RENT -- Repeated Elastic Net Technique for Feature Selection [0.46180371154032895]
特徴選択のための繰り返し弾性ネット技術(RENT)を提案する。 RENTは、弾力性のあるネット正規化を備えた一般化線形モデルのアンサンブルを使用しており、それぞれがトレーニングデータの異なるサブセットに基づいて訓練されている。 RENTは、トレーニング中に予測が難しいデータ内のオブジェクトの識別に関するモデル解釈のための貴重な情報を提供する。
論文参考訳（メタデータ） (2020-09-27T07:55:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。