論文の概要: Nonparametric Conditional Density Estimation In A Deep Learning
Framework For Short-Term Forecasting
- arxiv url: http://arxiv.org/abs/2008.07653v1
- Date: Mon, 17 Aug 2020 22:31:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 03:35:32.155130
- Title: Nonparametric Conditional Density Estimation In A Deep Learning
Framework For Short-Term Forecasting
- Title（参考訳）: 短期予測のためのディープラーニングフレームワークにおける非パラメトリック条件密度推定
- Authors: David B. Huberman, Brian J. Reich, and Howard D. Bondell
- Abstract要約: 多くの機械学習技術は、対象変数の条件分布の単一点予測を与える。
本研究では,条件分布全体を同時に推定し,柔軟に機械学習技術を組み込む技術を提案する。
- 参考スコア（独自算出の注目度）: 0.34410212782758043
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Short-term forecasting is an important tool in understanding environmental
processes. In this paper, we incorporate machine learning algorithms into a
conditional distribution estimator for the purposes of forecasting tropical
cyclone intensity. Many machine learning techniques give a single-point
prediction of the conditional distribution of the target variable, which does
not give a full accounting of the prediction variability. Conditional
distribution estimation can provide extra insight on predicted response
behavior, which could influence decision-making and policy. We propose a
technique that simultaneously estimates the entire conditional distribution and
flexibly allows for machine learning techniques to be incorporated. A smooth
model is fit over both the target variable and covariates, and a logistic
transformation is applied on the model output layer to produce an expression of
the conditional density function. We provide two examples of machine learning
models that can be used, polynomial regression and deep learning models. To
achieve computational efficiency we propose a case-control sampling
approximation to the conditional distribution. A simulation study for four
different data distributions highlights the effectiveness of our method
compared to other machine learning-based conditional distribution estimation
techniques. We then demonstrate the utility of our approach for forecasting
purposes using tropical cyclone data from the Atlantic Seaboard. This paper
gives a proof of concept for the promise of our method, further computational
developments can fully unlock its insights in more complex forecasting and
other applications.
- Abstract（参考訳）: 短期予測は環境プロセスを理解する上で重要なツールである。
本稿では,熱帯性サイクロン強度の予測を目的とした条件分布推定器に機械学習アルゴリズムを組み込む。
多くの機械学習技術は、ターゲット変数の条件分布を単一ポイントで予測するが、予測変数の完全な説明は得られない。
条件付分布推定は、意思決定と政策に影響を与える可能性のある予測応答行動に関する追加の洞察を与えることができる。
本研究では,条件分布全体を同時に推定し,柔軟に機械学習技術を組み込む技術を提案する。
対象変数と共変量の両方に滑らかなモデルが適合し、モデル出力層にロジスティック変換を適用して条件密度関数の式を生成する。
我々は,多項式回帰モデルと深層学習モデルという2つの機械学習モデルの例を示す。
計算効率を上げるために,条件分布に対するケース制御サンプリング近似を提案する。
4つの異なるデータ分布のシミュレーション研究は,他の機械学習による条件分布推定手法と比較して,本手法の有効性を強調した。
次に,大西洋岸の熱帯性サイクロンデータを用いた予測のためのアプローチの有用性を示す。
本稿では,提案手法の可能性を実証し,さらなる計算開発により,より複雑な予測などの応用における洞察を完全に解き放つことができることを示す。
関連論文リスト
- Boosted Control Functions [10.503777692702952]
本研究の目的は,因果効果推定と予測タスクのギャップを埋めることである。
我々は,機械学習の分布場と同時方程式モデル,およびエコノメティクスの制御関数との新たな接続を確立する。
このフレームワーク内では、予測モデルに対する不変性の強い概念を提案し、それを既存の(ウィーカー)バージョンと比較する。
論文 参考訳（メタデータ） (2023-10-09T15:43:46Z) - Wasserstein Generative Regression [6.366148239550708]
非パラメトリック回帰と条件分布学習のための新しい統一的アプローチを提案する。
提案手法は,生成学習フレームワークを用いた回帰関数と条件生成器を同時に推定する。
非漸近誤差境界の導出と適切な仮定の下でのアプローチの分布整合性による理論的保証を提供する。
論文 参考訳（メタデータ） (2023-06-27T02:44:54Z) - Prediction-Powered Inference [68.97619568620709]
予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。
このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。
予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
論文 参考訳（メタデータ） (2023-01-23T18:59:28Z) - Bayesian Sparse Regression for Mixed Multi-Responses with Application to
Runtime Metrics Prediction in Fog Manufacturing [6.288767115532775]
フォッグ製造は、分散計算Fogユニットを通じて従来の製造システムを大幅に強化することができる。
予測オフロード手法は,実行時のパフォーマンス指標の正確な予測と不確かさの定量化に大きく依存していることが知られている。
本稿では,多変量混合応答に対するベイジアンスパース回帰法を提案し,実行時性能指標の予測を強化する。
論文 参考訳（メタデータ） (2022-10-10T16:14:08Z) - Distributional Gradient Boosting Machines [77.34726150561087]
私たちのフレームワークはXGBoostとLightGBMをベースにしています。
我々は,このフレームワークが最先端の予測精度を実現することを示す。
論文 参考訳（メタデータ） (2022-04-02T06:32:19Z) - Autoregressive Quantile Flows for Predictive Uncertainty Estimation [7.184701179854522]
高次元変数上の確率モデルの柔軟なクラスである自己回帰量子フローを提案する。
これらのモデルは、適切なスコアリングルールに基づいて、新しい目的を用いて訓練された自己回帰フローの例である。
論文 参考訳（メタデータ） (2021-12-09T01:11:26Z) - Transforming Autoregression: Interpretable and Expressive Time Series
Forecast [0.0]
本稿では,様々な研究方向からインスパイアされたモデルクラスである自己回帰変換モデル(ATM)を提案する。
ATMは半パラメトリック分布仮定と解釈可能なモデル仕様を用いて表現的分布予測を統一する。
ATMの理論的および実証的な評価により,複数のシミュレーションおよび実世界の予測データセット上でATMの特性を実証する。
論文 参考訳（メタデータ） (2021-10-15T17:58:49Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳（メタデータ） (2021-06-03T12:59:16Z) - Probabilistic electric load forecasting through Bayesian Mixture Density
Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。
ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。
後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文 参考訳（メタデータ） (2020-12-23T16:21:34Z) - Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。
我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。
このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
論文 参考訳（メタデータ） (2020-10-15T16:39:26Z) - Video Prediction via Example Guidance [156.08546987158616]
ビデオ予測タスクでは、将来のコンテンツとダイナミクスのマルチモーダルな性質を捉えることが大きな課題である。
本研究では,有効な将来状態の予測を効果的に行うための,シンプルで効果的なフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-03T14:57:24Z)
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。