論文の概要: Sparse Semi-supervised Heterogeneous Interbattery Bayesian Analysis
- arxiv url: http://arxiv.org/abs/2001.08975v1
- Date: Fri, 24 Jan 2020 13:00:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-07 04:59:43.329567
- Title: Sparse Semi-supervised Heterogeneous Interbattery Bayesian Analysis
- Title（参考訳）: スパース半教師付きヘテロジニアス不均一ベイズ解析
- Authors: Carlos Sevilla-Salcedo, Vanessa G\'omez-Verdejo and Pablo M. Olmos
- Abstract要約: 本稿では,任意の問題をモデル化可能な一般FAフレームワークを提案する。
提案モデルであるSparse Semi-supervised Heterogeneous Interbattery Bayesian Analysis (SSHIBA) は4つのシナリオで検証されている。
- 参考スコア（独自算出の注目度）: 5.653409562189869
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Bayesian approach to feature extraction, known as factor analysis (FA),
has been widely studied in machine learning to obtain a latent representation
of the data. An adequate selection of the probabilities and priors of these
bayesian models allows the model to better adapt to the data nature (i.e.
heterogeneity, sparsity), obtaining a more representative latent space.
The objective of this article is to propose a general FA framework capable of
modelling any problem. To do so, we start from the Bayesian Inter-Battery
Factor Analysis (BIBFA) model, enhancing it with new functionalities to be able
to work with heterogeneous data, include feature selection, and handle missing
values as well as semi-supervised problems.
The performance of the proposed model, Sparse Semi-supervised Heterogeneous
Interbattery Bayesian Analysis (SSHIBA) has been tested on 4 different
scenarios to evaluate each one of its novelties, showing not only a great
versatility and an interpretability gain, but also outperforming most of the
state-of-the-art algorithms.
- Abstract（参考訳）: 因子分析(FA)として知られる特徴抽出に対するベイズ的アプローチは、機械学習においてデータの潜在表現を得るために広く研究されている。
これらのベイズモデルの確率と事前の適切な選択により、モデルはデータの性質(不均一性、疎性)に適応し、より代表的な潜在空間を得ることができる。
本稿の目的は、あらゆる問題をモデル化できる一般的なFAフレームワークを提案することである。
そのために、ベイズ間因子分析(bayesian inter-battery factor analysis, bibfa)モデルから始め、異種データや特徴の選択、欠落した値の処理、半教師付き問題などを扱うために、新たな機能によってそれを拡張します。
提案モデルであるsparse semi-supervised hetero interbattery bayesian analysis (sshiba) の性能を4つの異なるシナリオで検証し,その新しさを評価した。
関連論文リスト
- Continuous Bayesian Model Selection for Multivariate Causal Discovery [22.945274948173182]
現在の因果的発見アプローチは、構造的識別可能性を確保するために、限定的なモデル仮定や介入データへのアクセスを必要とする。
近年の研究では、ベイズモデルの選択はより柔軟な仮定のために制限的モデリングを交換することで精度を大幅に向上させることができることが示されている。
合成データセットと実世界のデータセットの両方において、我々のアプローチの競争力を実証する。
論文 参考訳（メタデータ） (2024-11-15T12:55:05Z) - GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。
GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。
本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
論文 参考訳（メタデータ） (2024-06-01T08:01:05Z) - Task Groupings Regularization: Data-Free Meta-Learning with Heterogeneous Pre-trained Models [83.02797560769285]
Data-Free Meta-Learning (DFML)は、トレーニング済みモデルのコレクションから、元のデータにアクセスせずに知識を抽出することを目的としている。
現在の手法は、事前訓練されたモデル間の不均一性を見落とし、タスクの衝突による性能低下につながることが多い。
論文 参考訳（メタデータ） (2024-05-26T13:11:55Z) - Rethinking Log Odds: Linear Probability Modelling and Expert Advice in
Interpretable Machine Learning [8.831954614241234]
線形化付加モデル(LAM)とSubscaleHedgeの2つの拡張を含む、解釈可能な機械学習モデルのファミリーを紹介する。
LAMは、GAM(General Additive Models)におけるユビキタスなロジスティックリンク関数を置き換えるものであり、SubscaleHedgeはサブスケールと呼ばれる機能のサブセットでトレーニングされたベースモデルを組み合わせるためのエキスパートアドバイスアルゴリズムである。
論文 参考訳（メタデータ） (2022-11-11T17:21:57Z) - A Bayesian Framework on Asymmetric Mixture of Factor Analyser [0.0]
本稿では、スキュー正規(無制限)一般化双曲型(SUNGH)分布のリッチで柔軟なクラスを持つMFAモデルを提案する。
SUNGHファミリーは、様々な方向の歪みをモデル化する柔軟性と、重み付きデータを可能にする。
因子分析モデルを考慮すると、SUNGHファミリーは誤差成分と因子スコアの両方の歪みと重みを許容する。
論文 参考訳（メタデータ） (2022-11-01T20:19:52Z) - Equivariance Allows Handling Multiple Nuisance Variables When Analyzing
Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。
いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文 参考訳（メタデータ） (2022-03-29T04:54:06Z) - Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。
我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。
その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文 参考訳（メタデータ） (2020-10-12T03:27:07Z) - Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
異種データセットから学習した後続分布を融合する手法を提案する。
我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
論文 参考訳（メタデータ） (2020-07-13T03:27:45Z) - Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
多視点問題は潜在変数モデルに直面することができる。
高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。
両アプローチを単一モデルにマージすることを提案する。
論文 参考訳（メタデータ） (2020-06-01T14:25:38Z)
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。