論文の概要: Transfer Learning for High-dimensional Linear Regression: Prediction,
Estimation, and Minimax Optimality
- arxiv url: http://arxiv.org/abs/2006.10593v1
- Date: Thu, 18 Jun 2020 14:55:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 14:07:33.616650
- Title: Transfer Learning for High-dimensional Linear Regression: Prediction,
Estimation, and Minimax Optimality
- Title（参考訳）: 高次元線形回帰のための伝達学習:予測,推定,最小最適性
- Authors: Sai Li and T. Tony Cai and Hongzhe Li
- Abstract要約: トランスラッソは、複数の異なる組織からのデータを補助サンプルとして組み込むことにより、標的組織における遺伝子発現予測の性能を向上させることが示されている。
- 参考スコア（独自算出の注目度）: 6.230751621285322
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper considers the estimation and prediction of a high-dimensional
linear regression in the setting of transfer learning, using samples from the
target model as well as auxiliary samples from different but possibly related
regression models. When the set of "informative" auxiliary samples is known, an
estimator and a predictor are proposed and their optimality is established. The
optimal rates of convergence for prediction and estimation are faster than the
corresponding rates without using the auxiliary samples. This implies that
knowledge from the informative auxiliary samples can be transferred to improve
the learning performance of the target problem. In the case that the set of
informative auxiliary samples is unknown, we propose a data-driven procedure
for transfer learning, called Trans-Lasso, and reveal its robustness to
non-informative auxiliary samples and its efficiency in knowledge transfer. The
proposed procedures are demonstrated in numerical studies and are applied to a
dataset concerning the associations among gene expressions. It is shown that
Trans-Lasso leads to improved performance in gene expression prediction in a
target tissue by incorporating the data from multiple different tissues as
auxiliary samples.
- Abstract（参考訳）: 本稿では,伝達学習の設定における高次元線形回帰の推定と予測について,対象モデルからのサンプルと,異なるがおそらく関連する回帰モデルからの補助サンプルを用いて検討する。
情報的」補助サンプルの集合が知られている場合、推定器と予測器が提案され、それらの最適性が確立される。
予測と推定のための収束の最適速度は、補助サンプルを用いずに対応する速度よりも速い。
これは、対象問題の学習性能を向上させるために、情報補助サンプルからの知識を転送できることを意味する。
情報的補助サンプルの集合が未知の場合,Trans-Lassoと呼ばれるデータ駆動型トランスファー学習手法を提案し,非情報的補助サンプルに対するロバスト性とその知識伝達効率を明らかにする。
提案手法は数値的研究で実証され,遺伝子発現の関連性に関するデータセットに適用される。
トランスラッソは、複数の異なる組織からのデータを補助サンプルとして組み込むことにより、標的組織における遺伝子発現予測の性能を向上させることが示されている。
関連論文リスト
- Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。
限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
論文 参考訳（メタデータ） (2024-09-10T07:34:19Z) - Understanding Optimal Feature Transfer via a Fine-Grained Bias-Variance Analysis [10.79615566320291]
下流性能の最適化を目標として、トランスファーラーニングについて検討する。
任意の事前学習された特徴を入力として取る単純な線形モデルを導入する。
下流タスクのアンサンブル上で平均される下流リスクを最小化することにより、最適事前学習表現を同定する。
論文 参考訳（メタデータ） (2024-04-18T19:33:55Z) - DALSA: Domain Adaptation for Supervised Learning From Sparsely Annotated
MR Images [2.352695945685781]
そこで本研究では,自動腫瘍セグメンテーションのための教師あり学習において,スパースアノテーションによるサンプル選択誤差を補正するトランスファーラーニング手法を提案する。
提案手法は,スパースおよび曖昧なアノテーションから,異なる組織クラスに対する高品質な分類法を導出する。
完全ラベル付きデータを用いたトレーニングと比較して, ラベル付け時間とトレーニング時間は, 精度を犠牲にすることなく, 70倍, 180倍に短縮した。
論文 参考訳（メタデータ） (2024-03-12T09:17:21Z) - Iterative self-transfer learning: A general methodology for response
time-history prediction based on small dataset [0.0]
本研究では,小さなデータセットに基づいてニューラルネットワークを学習するための反復的自己伝達学習手法を提案する。
提案手法は,小さなデータセットに対して,ほぼ一桁の精度でモデル性能を向上させることができることを示す。
論文 参考訳（メタデータ） (2023-06-14T18:48:04Z) - Estimation and inference for transfer learning with high-dimensional
quantile regression [3.4510296013600374]
本研究では,高次元量子レグレッションモデルの枠組みにおける伝達学習手法を提案する。
我々は、微妙に選択された転送可能なソースドメインに基づいて、転送学習推定器の誤差境界を確立する。
データ分割手法を採用することにより、負の転送を回避できる転送可能性検出手法を提案する。
論文 参考訳（メタデータ） (2022-11-26T14:40:19Z) - SURF: Semi-supervised Reward Learning with Data Augmentation for
Feedback-efficient Preference-based Reinforcement Learning [168.89470249446023]
我々は、大量のラベルなしサンプルとデータ拡張を利用する半教師付き報酬学習フレームワークSURFを提案する。
報奨学習にラベルのないサンプルを活用するために,選好予測器の信頼性に基づいてラベルのないサンプルの擬似ラベルを推定する。
本実験は, ロボット操作作業における嗜好に基づく手法のフィードバック効率を有意に向上させることを実証した。
論文 参考訳（メタデータ） (2022-03-18T16:50:38Z) - Invariance Learning in Deep Neural Networks with Differentiable Laplace
Approximations [76.82124752950148]
我々はデータ拡張を選択するための便利な勾配法を開発した。
我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
論文 参考訳（メタデータ） (2022-02-22T02:51:11Z) - Negative Data Augmentation [127.28042046152954]
負のデータ拡張サンプルは、データ分散のサポートに関する情報を提供することを示す。
我々は、NDAを識別器の合成データの追加源として利用する新しいGAN訓練目標を提案する。
実験により,本手法で訓練したモデルでは,異常検出能力の向上とともに条件付き・条件付き画像生成の改善を実現している。
論文 参考訳（メタデータ） (2021-02-09T20:28:35Z) - Self-paced Data Augmentation for Training Neural Networks [11.554821454921536]
本稿では,ニューラルネットワークをトレーニングする際のデータ拡張に適したサンプルを自動的に選択するセルフペース拡張を提案する。
提案手法は,非効率なデータ拡張による一般化性能の低下を緩和する。
実験結果から,SPAは,特にトレーニングサンプル数が少ない場合,一般化性能を向上できることが示された。
論文 参考訳（メタデータ） (2020-10-29T09:13:18Z) - Improving Maximum Likelihood Training for Text Generation with Density
Ratio Estimation [51.091890311312085]
本稿では,テキスト生成で遭遇する大規模なサンプル空間において,効率よく安定な自動回帰シーケンス生成モデルのトレーニング手法を提案する。
本手法は,品質と多様性の両面で,最大類似度推定や他の最先端シーケンス生成モデルよりも安定に優れている。
論文 参考訳（メタデータ） (2020-07-12T15:31:24Z) - Generative Data Augmentation for Commonsense Reasoning [75.26876609249197]
G-DAUGCは、低リソース環境でより正確で堅牢な学習を実現することを目的とした、新しい生成データ拡張手法である。
G-DAUGCは、バックトランスレーションに基づく既存のデータ拡張手法を一貫して上回っている。
分析の結果,G-DAUGCは多種多様な流線型学習例を産出し,その選択と学習アプローチが性能向上に重要であることが示された。
論文 参考訳（メタデータ） (2020-04-24T06:12:10Z)
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。