論文の概要: Introduction to logistic regression

• arxiv url: http://arxiv.org/abs/2008.13567v2
• Date: Wed, 28 Oct 2020 17:16:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 01:56:43.719810
• Title: Introduction to logistic regression
• Title（参考訳）: ロジスティック回帰入門
• Authors: Moo K. Chung
• Abstract要約: 脳イメージングでは、しばしばランダムフィールドの上限分布を計算する必要がある。 我々は、p-値の計算を必要としないロジスティック回帰と呼ばれる別のアプローチを用いる。 事前選択された特徴ベクトルを分類しようとする他の識別的・分類技術とは異なり、この方法は事前選択された特徴ベクトルを必要としない。
• 参考スコア（独自算出の注目度）: 2.480193314173464
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For random field theory based multiple comparison corrections In brain imaging, it is often necessary to compute the distribution of the supremum of a random field. Unfortunately, computing the distribution of the supremum of the random field is not easy and requires satisfying many distributional assumptions that may not be true in real data. Thus, there is a need to come up with a different framework that does not use the traditional statistical hypothesis testing paradigm that requires to compute p-values. With this as a motivation, we can use a different approach called the logistic regression that does not require computing the p-value and still be able to localize the regions of brain network differences. Unlike other discriminant and classification techniques that tried to classify preselected feature vectors, the method here does not require any preselected feature vectors and performs the classification at each edge level.
• Abstract（参考訳）: 脳画像における多重比較補正に基づく確率場理論では、確率場の超越分布を計算することがしばしば必要となる。 残念ながら、ランダムフィールドの上限分布の計算は簡単ではなく、実データでは正しくないかもしれない多くの分布仮定を満たす必要がある。 したがって、p-値を計算するのに必要な従来の統計的仮説テストパラダイムを使用しない別のフレームワークを考える必要がある。 これはモチベーションとして、p値の計算を必要とせず、なおも脳ネットワークの違いの領域をローカライズできるロジスティック回帰と呼ばれる別のアプローチを用いることができる。 事前選択された特徴ベクトルを分類しようとする他の判別法や分類法とは異なり、この方法は事前選択された特徴ベクトルを必要とせず、各エッジレベルで分類を行う。

関連論文リスト

• SimPro: A Simple Probabilistic Framework Towards Realistic Long-Tailed Semi-Supervised Learning [49.94607673097326]
  ラベルなしデータの分散に関する前提を前提としない、高度に適応可能なフレームワークをSimProとして提案する。 我々のフレームワークは確率モデルに基づいており、期待最大化アルゴリズムを革新的に洗練する。 本手法は,様々なベンチマークやデータ分散シナリオにまたがる一貫した最先端性能を示す。
  論文  参考訳（メタデータ） (2024-02-21T03:39:04Z)
• Logistic Regression Equivalence: A Framework for Comparing Logistic Regression Models Across Populations [4.518012967046983]
  本研究は, 個体群差に対する既定寛容レベルの同値試験が, 推論の精度を高めることを論じる。 診断データについては、等価モデルと等価でないモデルの例を示す。
  論文  参考訳（メタデータ） (2023-03-23T15:12:52Z)
• An Upper Bound for the Distribution Overlap Index and Its Applications [18.481370450591317]
  本稿では,2つの確率分布間の重なり関数に対する計算容易な上限を提案する。 提案した境界は、一級分類と領域シフト解析においてその値を示す。 私たちの研究は、重複ベースのメトリクスの応用を拡大する大きな可能性を示しています。
  論文  参考訳（メタデータ） (2022-12-16T20:02:03Z)
• First Steps Toward Understanding the Extrapolation of Nonlinear Models to Unseen Domains [35.76184529520015]
  本稿では,構造的領域シフトに対する非線形モデルの外挿を解析するための最初のステップについて述べる。 我々は、$f(x)=sum f_i(x_i)$という形の非線形モデルの族が、目に見えない分布に外挿可能であることを証明した。
  論文  参考訳（メタデータ） (2022-11-21T18:41:19Z)
• Learning versus Refutation in Noninteractive Local Differential Privacy [133.80204506727526]
  非対話的局所差分プライバシー(LDP)における2つの基本的な統計課題について検討する。 本研究の主な成果は,非対話型LDPプロトコルにおけるPAC学習の複雑さの完全な評価である。
  論文  参考訳（メタデータ） (2022-10-26T03:19:24Z)
• Predicting Out-of-Domain Generalization with Neighborhood Invariance [59.05399533508682]
  局所変換近傍における分類器の出力不変性の尺度を提案する。 私たちの測度は計算が簡単で、テストポイントの真のラベルに依存しません。 画像分類,感情分析,自然言語推論のベンチマーク実験において,我々の測定値と実際のOOD一般化との間に強い相関関係を示す。
  論文  参考訳（メタデータ） (2022-07-05T14:55:16Z)
• Uncertainty Modeling for Out-of-Distribution Generalization [56.957731893992495]
  特徴統計を適切に操作することで、ディープラーニングモデルの一般化能力を向上させることができると論じる。 一般的な手法では、特徴統計を学習した特徴から測定された決定論的値とみなすことが多い。 我々は、学習中に合成された特徴統計を用いて、領域シフトの不確かさをモデル化することにより、ネットワークの一般化能力を向上させる。
  論文  参考訳（メタデータ） (2022-02-08T16:09:12Z)
• KL Guided Domain Adaptation [88.19298405363452]
  ドメイン適応は重要な問題であり、現実世界のアプリケーションにしばしば必要である。 ドメイン適応文学における一般的なアプローチは、ソースとターゲットドメインに同じ分布を持つ入力の表現を学ぶことである。 確率的表現ネットワークにより、KL項はミニバッチサンプルにより効率的に推定できることを示す。
  論文  参考訳（メタデータ） (2021-06-14T22:24:23Z)
• Self-training Avoids Using Spurious Features Under Domain Shift [54.794607791641745]
  教師なし領域適応においては、条件付きエントロピー最小化と擬似ラベル処理は、既存の理論で解析されたものよりもドメインシフトがはるかに大きい場合であっても行われる。 ドメインシフトが大きくなる可能性のある特定の設定を特定・分析するが、特定のスパイラルな特徴はソースドメインのラベルと相関するが、ターゲットの独立なラベルである。
  論文  参考訳（メタデータ） (2020-06-17T17:51:42Z)
• Distributional Random Forests: Heterogeneity Adjustment and Multivariate Distributional Regression [0.8574682463936005]
  共同条件分布に基づく多変量応答のための新しい森林構築法を提案する。 コードはPythonとRパッケージとして利用可能である。
  論文  参考訳（メタデータ） (2020-05-29T09:05:00Z)

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。