論文の概要: Censored Quantile Regression Forest
- arxiv url: http://arxiv.org/abs/2001.03458v1
- Date: Wed, 8 Jan 2020 23:20:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-13 09:51:27.984457
- Title: Censored Quantile Regression Forest
- Title(参考訳): 検閲された四面体回帰森林
- Authors: Alexander Hanbo Li and Jelena Bradic
- Abstract要約: 我々は、検閲に適応し、データが検閲を示さないときに量子スコアをもたらす新しい推定方程式を開発する。
提案手法は, パラメトリックなモデリング仮定を使わずに, 時間単位の定量を推定することができる。
- 参考スコア(独自算出の注目度): 81.9098291337097
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Random forests are powerful non-parametric regression method but are severely
limited in their usage in the presence of randomly censored observations, and
naively applied can exhibit poor predictive performance due to the incurred
biases. Based on a local adaptive representation of random forests, we develop
its regression adjustment for randomly censored regression quantile models.
Regression adjustment is based on a new estimating equation that adapts to
censoring and leads to quantile score whenever the data do not exhibit
censoring. The proposed procedure named {\it censored quantile regression
forest}, allows us to estimate quantiles of time-to-event without any
parametric modeling assumption. We establish its consistency under mild model
specifications. Numerical studies showcase a clear advantage of the proposed
procedure.
- Abstract(参考訳): ランダムフォレストは強力な非パラメトリック回帰法であるが、ランダムに検閲された観測の存在下での使用には極めて制限があり、自然に適用されると予測性能が低下する。
ランダム林の局所適応表現に基づいて,ランダムに検閲された回帰分位モデルに対する回帰調整を開発する。
回帰調整は、検閲に適応する新しい推定方程式に基づいており、データが検閲を示さないときに量子スコアが導かれる。
提案手法である {\it censored quantile regression forest} は,パラメトリックモデリングを前提とせずに,時刻からイベントまでの分位数を推定できる。
穏やかなモデル仕様の下で一貫性を確立します。
数値的な研究は提案手法の明確な利点を示している。
関連論文リスト
- Regression Trees for Fast and Adaptive Prediction Intervals [2.6763498831034043]
本稿では,局所的なカバレッジ保証を伴う回帰問題に対して,予測間隔を調整するための一連の手法を提案する。
回帰木とランダムフォレストを適合度スコアでトレーニングすることで分割を作成する。
提案手法は多種多様な適合性スコアや予測設定に適用できるため,多種多様である。
論文 参考訳(メタデータ) (2024-02-12T01:17:09Z) - Beta quantile regression for robust estimation of uncertainty in the
presence of outliers [1.6377726761463862]
量子回帰(Quantile Regression)は、ディープニューラルネットワークにおけるアレタリック不確実性を推定するために用いられる。
本稿では、頑健な分散の概念を取り入れた量子レグレッションのためのロバストな解を提案する。
論文 参考訳(メタデータ) (2023-09-14T01:18:57Z) - Discrete-Constrained Regression for Local Counting Models [27.1177471719278]
局所数(かんそく、英: local count)は、自然界における連続的な値である。
最近の最先端の手法では、分類タスクとしてのカウントの定式化が回帰よりも優れていることが示されている。
この結果は、不正確な真実の局所的な数によって引き起こされることを示す。
論文 参考訳(メタデータ) (2022-07-20T12:54:23Z) - Random Forest Weighted Local Fr\'echet Regression with Random Objects [52.25304029942005]
本稿では,新しいランダム森林重み付き局所Fr'echet回帰パラダイムを提案する。
最初の方法は,これらの重みを局所平均として利用し,条件付きFr'echet平均を解く。
第二の手法は局所線形Fr'echet回帰を行い、どちらも既存のFr'echet回帰法を大幅に改善した。
論文 参考訳(メタデータ) (2022-02-10T09:10:59Z) - Regression Bugs Are In Your Model! Measuring, Reducing and Analyzing
Regressions In NLP Model Updates [68.09049111171862]
この研究は、NLPモデル更新における回帰エラーの定量化、低減、分析に重点を置いている。
回帰フリーモデル更新を制約付き最適化問題に定式化する。
モデルアンサンブルが回帰を減らす方法を実証的に分析します。
論文 参考訳(メタデータ) (2021-05-07T03:33:00Z) - Flexible Model Aggregation for Quantile Regression [92.63075261170302]
量子回帰は、予測の不確実性を定量化する必要性によって動機付けられた統計学習の基本的な問題である。
条件付き量子モデルの任意の数を集約する手法について検討する。
この論文で検討するモデルはすべて、現代のディープラーニングツールキットに適合します。
論文 参考訳(メタデータ) (2021-02-26T23:21:16Z) - Survival Estimation for Missing not at Random Censoring Indicators based
on Copula Models [1.52292571922932]
そこで本研究では,MNARを非ランダムに検閲しない条件付き生存関数に対する条件付きコーパスモデルに基づく新しい条件付き生存関数推定器を提案する。
理論的な結果に加えて,シミュレーションによる小サンプルに対する推定器の動作方法や,合成データおよび実データの解析による実用性を示す。
論文 参考訳(メタデータ) (2020-09-03T15:04:27Z) - Deep Learning for Quantile Regression under Right Censoring:
DeepQuantreg [1.0152838128195467]
本稿では,ニューラルネットワークのリバイバルデータに対する量子レグレッションへの応用について述べる。
本研究の目的は, 従来の量子回帰法と比較して, 非線形パターンを正確に予測できるほど, 深層学習法が柔軟であることを示すことである。
論文 参考訳(メタデータ) (2020-07-14T14:31:11Z) - SUMO: Unbiased Estimation of Log Marginal Probability for Latent
Variable Models [80.22609163316459]
無限級数のランダム化トランケーションに基づく潜在変数モデルに対して、ログ境界確率の非バイアス推定器とその勾配を導入する。
推定器を用いてトレーニングしたモデルは、同じ平均計算コストに対して、標準的な重要度サンプリングに基づくアプローチよりも優れたテストセット確率を与えることを示す。
論文 参考訳(メタデータ) (2020-04-01T11:49:30Z) - Estimating Gradients for Discrete Random Variables by Sampling without
Replacement [93.09326095997336]
我々は、置換のないサンプリングに基づいて、離散確率変数に対する期待値の偏りのない推定器を導出する。
推定器は3つの異なる推定器のラオ・ブラックウェル化として導出可能であることを示す。
論文 参考訳(メタデータ) (2020-02-14T14:15:18Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。