論文の概要: Supervised PCA: A Multiobjective Approach

• arxiv url: http://arxiv.org/abs/2011.05309v4
• Date: Tue, 16 Aug 2022 19:53:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 06:57:21.191892
• Title: Supervised PCA: A Multiobjective Approach
• Title（参考訳）: Supervised PCA:多目的アプローチ
• Authors: Alexander Ritchie, Laura Balzano, Daniel Kessler, Chandra S. Sripada, Clayton Scott
• Abstract要約: 制御主成分分析法(SPCA) 本研究では,これらの目的を両立させる新しいSPCA手法を提案する。 この手法は、任意の教師付き学習損失に対応し、統計的再構成により、一般化された線形モデルの新しい低ランク拡張を提供する。
• 参考スコア（独自算出の注目度）: 70.99924195791532
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Methods for supervised principal component analysis (SPCA) aim to incorporate label information into principal component analysis (PCA), so that the extracted features are more useful for a prediction task of interest. Prior work on SPCA has focused primarily on optimizing prediction error, and has neglected the value of maximizing variance explained by the extracted features. We propose a new method for SPCA that addresses both of these objectives jointly, and demonstrate empirically that our approach dominates existing approaches, i.e., outperforms them with respect to both prediction error and variation explained. Our approach accommodates arbitrary supervised learning losses and, through a statistical reformulation, provides a novel low-rank extension of generalized linear models.
• Abstract（参考訳）: 教師付き主成分分析(SPCA)手法は、ラベル情報を主成分分析(PCA)に組み込むことを目的としており、抽出した特徴が興味のある予測タスクに有用である。 SPCAの以前の研究は、主に予測誤差の最適化に重点を置いており、抽出された特徴によって説明される分散を最大化する価値を無視している。 本研究では,これらの目的を両立させる新しいSPCA法を提案し,提案手法が既存のアプローチ,すなわち予測誤差と変動の両面において優位であることを示す。 本手法は、任意の教師付き学習損失に対応し、統計的再編成を通じて、一般化線形モデルの新しい低ランク拡張を提供する。

関連論文リスト

• Spectral Representation for Causal Estimation with Hidden Confounders [33.148766692274215]
  隠れた共同創設者が存在する場合の因果効果推定の問題に対処する。 本手法では,条件付き期待演算子の特異値分解とサドル点最適化問題を用いる。
  論文  参考訳（メタデータ） (2024-07-15T05:39:56Z)
• Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting [49.1574468325115]
  本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。 本手法はLSTMの重みと偏りを分割的に最適化する。 イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
  論文  参考訳（メタデータ） (2023-12-29T08:42:10Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• Explain, Adapt and Retrain: How to improve the accuracy of a PPM classifier through different explanation styles [4.6281736192809575]
  最近の論文では、結果指向の予測に予測プロセスモニタリングモデルがなぜ間違った予測を提供するのかを説明するための新しいアプローチが紹介されている。 半自動的な方法でミスを犯す予測者を誘導する最も一般的な特徴を特定するために、説明を利用する方法を示す。
  論文  参考訳（メタデータ） (2023-03-27T06:37:55Z)
• Query-Adaptive Predictive Inference with Partial Labels [0.0]
  ブラックボックス予測モデル上に部分的にラベル付けされたデータのみを用いて予測集合を構築する新しい手法を提案する。 我々の実験は、予測セット構築の有効性と、よりフレキシブルなユーザ依存損失フレームワークの魅力を強調した。
  論文  参考訳（メタデータ） (2022-06-15T01:48:42Z)
• Domain-Adjusted Regression or: ERM May Already Learn Features Sufficient for Out-of-Distribution Generalization [52.7137956951533]
  既存の特徴から予測器を学習するためのよりシンプルな手法を考案することは、将来の研究にとって有望な方向である、と我々は主張する。 本稿では,線形予測器を学習するための凸目標である領域調整回帰(DARE)を紹介する。 自然モデルの下では、DARE解が制限されたテスト分布の集合に対する最小最適予測器であることを証明する。
  論文  参考訳（メタデータ） (2022-02-14T16:42:16Z)
• Selective Classification via One-Sided Prediction [54.05407231648068]
  片側予測(OSP)に基づく緩和は、実際に関係する高目標精度体制において、ほぼ最適カバレッジが得られるSCスキームをもたらす。 理論的には,SCとOSPのバウンダリ一般化を導出し,その手法が小さな誤差レベルでのカバレッジにおいて,技術手法の状態を強く上回ることを示す。
  論文  参考訳（メタデータ） (2020-10-15T16:14:27Z)

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。