論文の概要: Variable fusion for Bayesian linear regression via spike-and-slab priors
- arxiv url: http://arxiv.org/abs/2003.13299v3
- Date: Wed, 2 Dec 2020 09:06:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 08:21:10.723018
- Title: Variable fusion for Bayesian linear regression via spike-and-slab priors
- Title(参考訳): スパイク・アンド・スラブ前駆によるベイズ線形回帰の可変融合
- Authors: Shengyi Wu, Kaito Shimamura, Kohei Yoshikawa, Kazuaki Murayama,
Shuichi Kawano
- Abstract要約: 本稿では,ベイズ線形回帰モデルを用いた新しい変数融合法を提案する。
スパイク・アンド・スラブ先行は可変核融合を実行するように調整される。
シミュレーション研究と実データ解析により,提案手法は従来の手法よりも優れた性能を示すことが示された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In linear regression models, fusion of coefficients is used to identify
predictors having similar relationships with a response. This is called
variable fusion. This paper presents a novel variable fusion method in terms of
Bayesian linear regression models. We focus on hierarchical Bayesian models
based on a spike-and-slab prior approach. A spike-and-slab prior is tailored to
perform variable fusion. To obtain estimates of the parameters, we develop a
Gibbs sampler for the parameters. Simulation studies and a real data analysis
show that our proposed method achieves better performance than previous
methods.
- Abstract(参考訳): 線形回帰モデルでは、係数の融合は応答と類似した関係を持つ予測器を特定するために用いられる。
これを変数融合と呼ぶ。
本稿では,ベイズ線形回帰モデルを用いた新しい変数融合法を提案する。
スパイク・アンド・スラブの先行アプローチに基づく階層ベイズモデルに焦点を当てる。
スパイク・アンド・スラブプリアを調整して可変融合を行う。
パラメータを推定するために,パラメータに対するギブスサンプリング器を開発する。
シミュレーション研究と実データ解析により,提案手法が従来の手法よりも優れた性能が得られることを示す。
関連論文リスト
- Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。
これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
論文 参考訳(メタデータ) (2024-03-03T04:21:21Z) - Prior Density Learning in Variational Bayesian Phylogenetic Parameters
Inference [1.03590082373586]
本稿では,勾配に基づく手法とニューラルネットワークに基づくパラメータ化を用いて,それらのパラメータを学習することで,先行密度の剛性を緩和する手法を提案する。
実験の結果, 分岐長と進化モデルパラメータを推定する上で, 提案手法は強力であることが示唆された。
論文 参考訳(メタデータ) (2023-02-06T01:29:15Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳(メタデータ) (2022-09-16T19:15:50Z) - A flexible empirical Bayes approach to multiple linear regression and
connections with penalized regression [9.464057682692594]
大規模多重回帰に対する新しい経験的ベイズ手法を提案する。
提案手法は2つの主要な概念を組み合わせる: (i) 正規分布のスケール混合の非適応的な族を近似したフレキシブルな「パラメトリック収縮」事前の使用。
提案手法の後方平均値は, ペナル化回帰問題の解法として解釈できることを示す。
論文 参考訳(メタデータ) (2022-08-23T12:42:57Z) - Forecasting Multilinear Data via Transform-Based Tensor Autoregression [0.0]
本研究の目的は,時系列システムと多線形システムを組み合わせることで,これらの目標を達成することである。
従来の自己回帰手法を拡張して,L-Transform autoregressive (L-TAR) と命名した。
本稿では, 画像収集, ビデオシーケンス, 海面温度測定, 株価, ネットワークを含むデータセットに関する実験的検討を行った。
論文 参考訳(メタデータ) (2022-05-24T16:56:35Z) - Time varying regression with hidden linear dynamics [74.9914602730208]
線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。
反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
論文 参考訳(メタデータ) (2021-12-29T23:37:06Z) - Conjugate priors for count and rounded data regression [0.0]
閉形式後部推論を可能にする共役前部を導入する。
主要な後続関数と予測関数は計算可能であり、直接モンテカルロシミュレーションによって計算可能である。
これらのツールは、線形回帰、基底展開による非線形モデル、モデルと変数選択に広く有用である。
論文 参考訳(メタデータ) (2021-10-23T23:26:01Z) - Performance of Bayesian linear regression in a model with mismatch [8.60118148262922]
本研究では,ガウス先行の対数対数対のベイズ分布の平均値から得られる推定器の性能を解析した。
この推論モデルは、スピングラスにおけるガードナーモデルのバージョンとして記述することができる。
論文 参考訳(メタデータ) (2021-07-14T18:50:13Z) - 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) - A Hypergradient Approach to Robust Regression without Correspondence [85.49775273716503]
本稿では,入力データと出力データとの対応が不十分な回帰問題について考察する。
ほとんどの既存手法はサンプルサイズが小さい場合にのみ適用できる。
シャッフル回帰問題に対する新しい計算フレームワークであるROBOTを提案する。
論文 参考訳(メタデータ) (2020-11-30T21:47:38Z) - 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)
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。