論文の概要: Regularization Strategies for Quantile Regression
- arxiv url: http://arxiv.org/abs/2102.05135v1
- Date: Tue, 9 Feb 2021 21:10:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-11 14:40:39.467419
- Title: Regularization Strategies for Quantile Regression
- Title(参考訳): 量子回帰の正規化戦略
- Authors: Taman Narayan, Serena Wang, Kevin Canini, Maya Gupta
- Abstract要約: 連続的な量子の分布に対するピンボール損失を最小化することは、特定の量子の予測のみを行う場合でも良い正則化器であることを示す。
格子モデルにより予測された分布を位置スケールの族に正規化できることを示す。
- 参考スコア(独自算出の注目度): 8.232258589877942
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We investigate different methods for regularizing quantile regression when
predicting either a subset of quantiles or the full inverse CDF. We show that
minimizing an expected pinball loss over a continuous distribution of quantiles
is a good regularizer even when only predicting a specific quantile. For
predicting multiple quantiles, we propose achieving the classic goal of
non-crossing quantiles by using deep lattice networks that treat the quantile
as a monotonic input feature, and we discuss why monotonicity on other features
is an apt regularizer for quantile regression. We show that lattice models
enable regularizing the predicted distribution to a location-scale family.
Lastly, we propose applying rate constraints to improve the calibration of the
quantile predictions on specific subsets of interest and improve fairness
metrics. We demonstrate our contributions on simulations, benchmark datasets,
and real quantile regression problems.
- Abstract(参考訳): 量子化のサブセットまたは全逆CDFの予測において、量子化の回帰を正則化する異なる手法について検討する。
連続的な量子の分布に対するピンボール損失を最小化することは、特定の量子の予測のみを行う場合でも良い正則化器であることを示す。
多重量子化を予測するために, 量子化をモノトニックな入力機能として扱うディープ格子ネットワークを用いて非交差量子化の古典的な目標を達成することを提案し, 他の特徴に対するモノトニック性が量子回帰に対するアプティック正規化である理由を議論する。
格子モデルが位置スケールファミリーへの予測分布を正規化できることを示した。
最後に,利害関係の特定部分の定量予測のキャリブレーションを改善し,公平性指標を改善するためのレート制約の適用を提案する。
シミュレーション,ベンチマークデータセット,実数量的回帰問題に対する我々の貢献を実証する。
関連論文リスト
- Bayesian Quantile Regression with Subset Selection: A Posterior
Summarization Perspective [0.0]
既存の方法では、興味のある各量に対して個別に条件量子を推定するか、半パラメトリックモデルまたは非パラメトリックモデルを用いて条件分布全体を推定する。
本研究では,線形定量推定,不確実性定量化,およびベイズ決定解析の観点からのサブセット選択の基本的問題を提起する。
提案手法では,量子に焦点をあてた2乗誤差損失を導入し,効率的な閉形式計算を実現し,ワッサーシュタインに基づく密度推定との密接な関係を維持する。
論文 参考訳(メタデータ) (2023-11-03T17:19:31Z) - Distributional Reinforcement Learning with Dual Expectile-Quantile
Regression [47.77568911280076]
本稿では, 先行研究の欠点を解決し, 期待値と量子値の相補的性質を活用できる2つの期待値量子化手法を提案する。
提案手法は, MuJoCo の連続制御ベンチマークにおいて,Quantile-based と expectile-based のベースラインよりも優れている。
論文 参考訳(メタデータ) (2023-05-26T12:30:05Z) - Improved conformalized quantile regression [0.0]
共形化量子レグレッション(conformalized Quantile regression)は、共形予測と量子レグレッションの利点を継承する手続きである。
そこで本研究では,k-平均を最適化し,k-共形ステップを適用することで,置換の重要性を重み付けした説明変数をクラスタリングする。
この改良されたバージョンは、共形量子化回帰の古典的バージョンよりも優れ、異方性に適応していることを示すため、オープンデータセットにおいて両者の予測間隔を広範囲に比較する。
論文 参考訳(メタデータ) (2022-07-06T16:54:36Z) - Random Forest Weighted Local Fr\'echet Regression with Random Objects [52.25304029942005]
本稿では,新しいランダム森林重み付き局所Fr'echet回帰パラダイムを提案する。
最初の方法は,これらの重みを局所平均として利用し,条件付きFr'echet平均を解く。
第二の手法は局所線形Fr'echet回帰を行い、どちらも既存のFr'echet回帰法を大幅に改善した。
論文 参考訳(メタデータ) (2022-02-10T09:10:59Z) - Deep Non-Crossing Quantiles through the Partial Derivative [0.6299766708197883]
量子回帰(Quantile Regression)は、単一の条件量子を近似する方法を提供する。
QRロス関数の最小化は、非交差量子化を保証しない。
任意の数の量子を予測するための汎用的なディープラーニングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-01-30T15:35:21Z) - Learning Quantile Functions without Quantile Crossing for
Distribution-free Time Series Forecasting [12.269597033369557]
本稿では,分散フリーな分布推定フレームワークであるIncrmental (Spline) Quantile Function I(S)QFを提案する。
また、シーケンス・ツー・シーケンス・セッティングに基づく提案手法の一般化誤差解析も提供する。
論文 参考訳(メタデータ) (2021-11-12T06:54:48Z) - Cluster-Promoting Quantization with Bit-Drop for Minimizing Network
Quantization Loss [61.26793005355441]
クラスタ・プロモーティング・量子化(CPQ)は、ニューラルネットワークに最適な量子化グリッドを見つける。
DropBitsは、ニューロンの代わりにランダムにビットをドロップする標準のドロップアウト正規化を改訂する新しいビットドロップ技術である。
本手法を様々なベンチマークデータセットとネットワークアーキテクチャ上で実験的に検証する。
論文 参考訳(メタデータ) (2021-09-05T15:15:07Z) - Understanding the Under-Coverage Bias in Uncertainty Estimation [58.03725169462616]
量子レグレッションは、現実の望ましいカバレッジレベルよりもアンファンダーカバー(enmphunder-cover)する傾向がある。
我々は、量子レグレッションが固有のアンダーカバーバイアスに悩まされていることを証明している。
我々の理論は、この過大被覆バイアスが特定の高次元パラメータ推定誤差に起因することを明らかにしている。
論文 参考訳(メタデータ) (2021-06-10T06:11:55Z) - Flexible Model Aggregation for Quantile Regression [92.63075261170302]
量子回帰は、予測の不確実性を定量化する必要性によって動機付けられた統計学習の基本的な問題である。
条件付き量子モデルの任意の数を集約する手法について検討する。
この論文で検討するモデルはすべて、現代のディープラーニングツールキットに適合します。
論文 参考訳(メタデータ) (2021-02-26T23:21:16Z) - Censored Quantile Regression Forest [81.9098291337097]
我々は、検閲に適応し、データが検閲を示さないときに量子スコアをもたらす新しい推定方程式を開発する。
提案手法は, パラメトリックなモデリング仮定を使わずに, 時間単位の定量を推定することができる。
論文 参考訳(メタデータ) (2020-01-08T23:20:23Z)
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。