論文の概要: On the Consistency of Optimal Bayesian Feature Selection in the Presence of Correlations

• arxiv url: http://arxiv.org/abs/2002.00120v1
• Date: Sat, 1 Feb 2020 01:41:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 00:37:47.704403
• Title: On the Consistency of Optimal Bayesian Feature Selection in the Presence of Correlations
• Title（参考訳）: 相関の存在下での最適なベイズ特徴選択の整合性について
• Authors: Ali Foroughi pour and Lori A. Dalton
• Abstract要約: ガウス系OBFSは、穏やかな条件下では強い整合性を示し、フレームワークのキー後部に対して収束率を与える。 これらの結果は、OBFSallyでどの特徴が選択されているかを正確に識別するため、非常に重要である。 我々は、OBFSフレームワークに基づいて、他のアルゴリズムの振る舞いを理解するためのステージを設定した。
• 参考スコア（独自算出の注目度）: 2.4366811507669115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optimal Bayesian feature selection (OBFS) is a multivariate supervised screening method designed from the ground up for biomarker discovery. In this work, we prove that Gaussian OBFS is strongly consistent under mild conditions, and provide rates of convergence for key posteriors in the framework. These results are of enormous importance, since they identify precisely what features are selected by OBFS asymptotically, characterize the relative rates of convergence for posteriors on different types of features, provide conditions that guarantee convergence, justify the use of OBFS when its internal assumptions are invalid, and set the stage for understanding the asymptotic behavior of other algorithms based on the OBFS framework.
• Abstract（参考訳）: OBFS(Optimal Bayesian Feature selection)は、バイオマーカー発見のためにゼロから設計された多変量監視スクリーニング手法である。 本研究では, 軽度条件下ではガウスobfsが強く一貫性があることを証明し, フレームワークの重要な後方の収束率を示す。 これらの結果は、OBFSが漸近的に選択した特徴を正確に識別し、異なるタイプの特徴に基づいて後方収束の相対率を特徴付け、収束を保証する条件を提供し、内部仮定が無効である場合にOBFSの使用を正当化し、OBFSフレームワークに基づいた他のアルゴリズムの漸近挙動を理解するためのステージを設定することにより、非常に重要である。

関連論文リスト

• Rethinking Clustered Federated Learning in NOMA Enhanced Wireless Networks [60.09912912343705]
  本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。 データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。 非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
  論文  参考訳（メタデータ） (2024-03-05T17:49:09Z)
• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• Distributed Stochastic Optimization under a General Variance Condition [13.911633636387059]
  分散最適化は最近、大規模な機械学習問題の解決に効果があるとして、大きな注目を集めている。 我々は、古典的フェデレーション平均化(Avg)を再考し、滑らかな非対象関数に対して、緩やかな分散しか持たない収束結果を確立する。 ほぼ1つの定常収束点も勾配条件の下で成立する。
  論文  参考訳（メタデータ） (2023-01-30T05:48:09Z)
• DiSC: Differential Spectral Clustering of Features [7.111650988432555]
  条件を区別する特徴群を検出するためのデータ駆動型手法を開発した。 条件固有の特徴グラフ間で接続性が大きく異なるノードのサブセットを計算する。
  論文  参考訳（メタデータ） (2022-11-10T03:32:17Z)
• Generalizing Bayesian Optimization with Decision-theoretic Entropies [102.82152945324381]
  統計的決定論の研究からシャノンエントロピーの一般化を考える。 まず,このエントロピーの特殊なケースがBO手順でよく用いられる獲得関数に繋がることを示す。 次に、損失に対する選択肢の選択が、どのようにして柔軟な獲得関数の族をもたらすかを示す。
  論文  参考訳（メタデータ） (2022-10-04T04:43:58Z)
• Robust and Provable Guarantees for Sparse Random Embeddings [72.24615341588846]
  我々は、Freksen が al. (NIPS'18) と Jagadeesan (NIPS'18) で提供したスパースランダム埋め込みの保証を改善する。 a) 前述した保証とは対照的に我々の境界は明示的であり、(b)我々の境界は実際に重要な定数によってよりシャープであることが保証されている。 我々は、我々の境界が、広範囲の現実世界のデータセットに関する先行研究よりも著しく優れていることを実証的に実証した。
  論文  参考訳（メタデータ） (2022-02-22T11:15:59Z)
• Sparsity-based Feature Selection for Anomalous Subgroup Discovery [5.960402015658508]
  異常パターン検出は、正常性からの逸脱が明らかであり、ドメイン間で広く適用可能なインスタンスを特定することを目的としている。 効率的な発見のための原則的かつスケーラブルな特徴選択方法が欠如している点が一般的である。 本稿では,機能駆動オッズ比の分散化によるシステム結果のずれをエンコードする,疎度に基づく自動特徴選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-06T10:56:43Z)
• Stochastic Gradient Descent-Ascent and Consensus Optimization for Smooth Games: Convergence Analysis under Expected Co-coercivity [49.66890309455787]
  本稿では,SGDA と SCO の最終的な収束保証として,期待されるコヒーレンシティ条件を導入し,その利点を説明する。 定常的なステップサイズを用いた場合、両手法の線形収束性を解の近傍に証明する。 我々の収束保証は任意のサンプリングパラダイムの下で保たれ、ミニバッチの複雑さに関する洞察を与える。
  論文  参考訳（メタデータ） (2021-06-30T18:32:46Z)
• Stochastic Optimization of Areas Under Precision-Recall Curves with Provable Convergence [66.83161885378192]
  ROC(AUROC)と精度リコール曲線(AUPRC)の下の領域は、不均衡問題に対する分類性能を評価するための一般的な指標である。 本稿では,深層学習のためのAUPRCの最適化手法を提案する。
  論文  参考訳（メタデータ） (2021-04-18T06:22:21Z)
• Optimal Posteriors for Chi-squared Divergence based PAC-Bayesian Bounds and Comparison with KL-divergence based Optimal Posteriors and Cross-Validation Procedure [0.0]
  カイ二乗発散に基づくPACBayesian境界の最適後部について,その分布,計算のスケーラビリティ,テストセットの性能について検討した。 チ二乗発散に基づく後肢は境界が弱く、試験誤差が悪くなるため、KL発散に基づく後肢による基礎的な正規化が示唆される。
  論文  参考訳（メタデータ） (2020-08-14T03:15:23Z)

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。