Fugu-MT 論文翻訳(概要): Horseshoe Prior Bayesian Quantile Regression

論文の概要: Horseshoe Prior Bayesian Quantile Regression

arxiv url: http://arxiv.org/abs/2006.07655v2
Date: Thu, 18 Mar 2021 22:31:54 GMT
ステータス: 処理完了
システム内更新日: 2022-11-21 21:27:30.043265
Title: Horseshoe Prior Bayesian Quantile Regression
Title（参考訳）: ベイジアン量子回帰以前のホースシュー
Authors: David Kohns and Tibor Szendrei
Abstract要約: 提案するHS-BQRの性能はモンテカルロシミュレーションと高次元Growth-at-Risk(GaR)予測を用いて評価した。 HS-BQRは特にスパース設計や極端量子化を推定するのに強力である。
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: This paper extends the horseshoe prior of Carvalho et al. (2010) to Bayesian quantile regression (HS-BQR) and provides a fast sampling algorithm for computation in high dimensions. The performance of the proposed HS-BQR is evaluated on Monte Carlo simulations and a high dimensional Growth-at-Risk (GaR) forecasting application for the U.S. The Monte Carlo design considers several sparsity and error structures. Compared to alternative shrinkage priors, the proposed HS-BQR yields better (or at worst similar) performance in coefficient bias and forecast error. The HS-BQR is particularly potent in sparse designs and in estimating extreme quantiles. As expected, the simulations also highlight that identifying quantile specific location and scale effects for individual regressors in dense DGPs requires substantial data. In the GaR application, we forecast tail risks as well as complete forecast densities using the McCracken and Ng (2020) database. Quantile specific and density calibration score functions show that the HS-BQR provides the best performance, especially at short and medium run horizons. The ability to produce well calibrated density forecasts and accurate downside risk measures in large data contexts makes the HS-BQR a promising tool for nowcasting applications and recession modelling.
Abstract（参考訳）: 本稿では,carvalho et al. (2010) に先立って,bayesian quantile regression (hs-bqr) を拡張し,高次元計算のための高速サンプリングアルゴリズムを提案する。提案するHS-BQRの性能はモンテカルロシミュレーションと高次元Growth-at-Risk(GaR)予測を用いて評価した。モンテカルロの設計はいくつかのスパーシティとエラー構造を考慮している。代替収縮前処理と比較して,提案するhs-bqrは,係数バイアスと予測誤差において良好な(あるいは最悪の場合)性能をもたらす。 HS-BQRは特にスパース設計や極端量子化を推定するのに強力である。予想通り、シミュレーションは密度の高いDGPにおける個々の回帰器の量子的特定の位置とスケール効果を特定するには、かなりのデータが必要であることも強調した。 GaRアプリケーションでは、McCracken and Ng (2020) データベースを用いて、テールリスクと完全な予測密度を予測します。量子比および密度校正スコア関数は、HS-BQRが特に短距離および中距離の水平線において最高の性能を提供することを示す。高度に校正された密度予測と、大規模なデータコンテキストにおける正確なダウンサイドリスク対策を作成できる能力により、hs-bqrは、現在のアプリケーションとリセッションモデリングの有望なツールとなる。

関連論文リスト

Semiparametric conformal prediction [79.6147286161434]
リスクに敏感なアプリケーションは、複数の、潜在的に相関したターゲット変数に対して、よく校正された予測セットを必要とする。スコアをランダムなベクトルとして扱い、それらの連接関係構造を考慮した予測セットを構築することを目的とする。実世界のレグレッション問題に対して,所望のカバレッジと競争効率について報告する。
論文参考訳（メタデータ） (2024-11-04T14:29:02Z)
Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
論文参考訳（メタデータ） (2024-06-05T13:36:38Z)
Query Performance Prediction using Relevance Judgments Generated by Large Language Models [53.97064615557883]
自動生成関連判定(QPP-GenRE)を用いたQPPフレームワークを提案する。 QPP-GenREは、QPPを独立したサブタスクに分解し、ランクリスト内の各項目の関連性を所定のクエリに予測する。これにより、生成した関連判断を擬似ラベルとして利用して、任意のIR評価尺度を予測することができる。
論文参考訳（メタデータ） (2024-04-01T09:33:05Z)
Simulation-Based Inference with Quantile Regression [0.0]
条件付き量子化回帰に基づく新しいシミュレーションベース推論(SBI)手法であるニューラル量子化推定(NQE)を提案する。 NQEは、各後次元の個々の1次元量子を自己回帰的に学習し、データとそれ以前の後次元に条件付けする。我々はNQEが様々なベンチマーク問題に対して最先端の性能を達成することを実証する。
論文参考訳（メタデータ） (2024-01-04T18:53:50Z)
Probabilistic Forecasting with Coherent Aggregation [42.215158938066054]
MQForecasterニューラルネットワークアーキテクチャを構築によりコヒーレンスを実現するための新しい深いガウス因子予測モデルで拡張する。最先端のコヒーレント予測手法と比較して、DeepCoFactorはスケールしたCRPS予測精度を大幅に改善し、平均利得は15%である。
論文参考訳（メタデータ） (2023-07-19T07:31:37Z)
Approximate Gibbs Sampler for Efficient Inference of Hierarchical Bayesian Models for Grouped Count Data [0.0]
本研究は、推定精度を維持しつつ、HBPRMを効率的に学習するための近似ギブスサンプリング器(AGS)を開発した。実データと合成データを用いた数値実験により,AGSの優れた性能を示した。
論文参考訳（メタデータ） (2022-11-28T21:00:55Z)
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)
MQRetNN: Multi-Horizon Time Series Forecasting with Retrieval Augmentation [1.8692254863855964]
マルチホライゾン確率的時系列予測は、需要予測のような現実世界のタスクに広く適用可能である。ニューラルネットワークの時系列予測における最近の研究は、主にSeq2Seqアーキテクチャの使用に焦点を当てている。本稿では,クロスエンタリティ情報を導入してモデル性能を向上させることを目的として,クロスエンタリティアテンション機構と,どのエンティティを参加させるかを選択する検索機構を提案する。
論文参考訳（メタデータ） (2022-07-21T14:51:58Z)
Hierarchical Gaussian Process Models for Regression Discontinuity/Kink under Sharp and Fuzzy Designs [0.0]
回帰不連続/リンク(RD/RK)を用いた因果推論のための非パラメトリックベイズ推定器を提案する。これらの推定器は、中間ベイズニューラルネットワーク層を持つ階層型GPモデルに拡張される。モンテカルロシミュレーションにより、我々の推定器は、精度、カバレッジ、間隔長の点で競合する推定器よりもよく、しばしばよく機能することを示した。
論文参考訳（メタデータ） (2021-10-03T04:23:56Z)
Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic Regression [51.770998056563094]
PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。既存の最先端手法と比較してPGBMの利点を実証的に示す。
論文参考訳（メタデータ） (2021-06-03T08:32:13Z)
Large-Scale Methods for Distributionally Robust Optimization [53.98643772533416]
我々のアルゴリズムは、トレーニングセットのサイズとパラメータの数によらず、多くの評価勾配を必要とすることを証明している。 MNIST と ImageNet の実験により,本手法の 9-36 倍の効率性を持つアルゴリズムの理論的スケーリングが確認された。
論文参考訳（メタデータ） (2020-10-12T17:41:44Z)

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。