論文の概要: Deep Quantile Aggregation

• arxiv url: http://arxiv.org/abs/2103.00083v1
• Date: Fri, 26 Feb 2021 23:21:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-03 17:20:00.250125
• Title: Deep Quantile Aggregation
• Title（参考訳）: 深部量子アグリゲーション
• Authors: Taesup Kim, Rasool Fakoor, Jonas Mueller, Alexander J. Smola, Ryan J. Tibshirani
• Abstract要約: 条件付き量子化推定は予測の不確実性を定量化する必要性によって動機づけられる主要な統計学の挑戦です。 条件付き量子モデル数を集約するための汎用フレームワークを提案する。 我々は,個々のモデルによって重み付けが異なる場合,柔軟性を高めるための重み付けセンシング戦略を考える。
• 参考スコア（独自算出の注目度）: 91.70412391126274
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Conditional quantile estimation is a key statistical learning challenge motivated by the need to quantify uncertainty in predictions or to model a diverse population without being overly reductive. As such, many models have been developed for this problem. Adopting a meta viewpoint, we propose a general framework (inspired by neural network optimization) for aggregating any number of conditional quantile models in order to boost predictive accuracy. We consider weighted ensembling strategies of increasing flexibility where the weights may vary over individual models, quantile levels, and feature values. An appeal of our approach is its portability: we ensure that estimated quantiles at adjacent levels do not cross by applying simple transformations through which gradients can be backpropagated, and this allows us to leverage the modern deep learning toolkit for building quantile ensembles. Our experiments confirm that ensembling can lead to big gains in accuracy, even when the constituent models are themselves powerful and flexible.
• Abstract（参考訳）: 条件量子推定は、予測の不確実性を定量化したり、過剰に還元されることなく多様な人口をモデル化する必要性によって動機付けられた重要な統計的学習課題である。 このために多くのモデルが開発されている。 メタ視点を採用することで,予測精度を高めるために,任意の条件付き量子量モデルの集約を行う汎用フレームワーク(ニューラルネットワーク最適化に触発された)を提案する。 我々は、個々のモデル、量子レベル、特徴値によって重みが変化する柔軟性を高めるための重み付きアンサンブル戦略を検討する。 グラデーションをバックプロパゲーションできる単純な変換を適用することで、隣接するレベルにおける推定分位子を交差させないことを保証し、それによって分位数アンサンブルを構築するために現代のディープラーニングツールキットを活用できるのです。 実験により,構成モデル自体が強力で柔軟である場合でも,アンサンブルが精度を大幅に向上させることができることを確認した。

関連論文リスト

• Quantile deep learning models for multi-step ahead time series prediction [0.15833270109954137]
  多段階時系列予測のための新しい量子レグレッションディープラーニングフレームワークを提案する。 本稿では,多段階先行時系列予測のためのディープラーニングモデルの実装について述べる。 高いボラティリティと極端な条件下での性能を評価する。
  論文  参考訳（メタデータ） (2024-11-24T00:00:10Z)
• Semiparametric conformal prediction [79.6147286161434]
  リスクに敏感なアプリケーションは、複数の、潜在的に相関したターゲット変数に対して、よく校正された予測セットを必要とする。 スコアをランダムなベクトルとして扱い、それらの連接関係構造を考慮した予測セットを構築することを目的とする。 実世界のレグレッション問題に対して,所望のカバレッジと競争効率について報告する。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• Uncertainty estimation in satellite precipitation spatial prediction by combining distributional regression algorithms [3.8623569699070353]
  データマージによって降水データセットを作成するエンジニアリングタスクに対して,分散回帰の概念を導入する。 本研究では,空間予測だけでなく,一般の予測問題にも有用な新しいアンサンブル学習手法を提案する。
  論文  参考訳（メタデータ） (2024-06-29T05:58:00Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Bayesian Quantile Regression with Subset Selection: A Decision Analysis Perspective [0.0]
  量子回帰は、共変量が応答分布の特定のパーセンタイルにどのように影響するかを推測する強力なツールである。 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。
  論文  参考訳（メタデータ） (2023-11-03T17:19:31Z)
• Engression: Extrapolation through the Lens of Distributional Regression [2.519266955671697]
  我々は、エングレースと呼ばれるニューラルネットワークに基づく分布回帰手法を提案する。 エングレスモデル(engression model)は、適合した条件分布からサンプリングできるという意味で生成され、高次元結果にも適している。 一方、最小二乗法や量子回帰法のような従来の回帰手法は、同じ仮定の下では不十分である。
  論文  参考訳（メタデータ） (2023-07-03T08:19:00Z)
• X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
  ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。 両世界の力を生かすために,我々は新しいX-モデルを提案する。 X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
  論文  参考訳（メタデータ） (2021-10-09T13:56:48Z)
• 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)
• Regression Bugs Are In Your Model! Measuring, Reducing and Analyzing Regressions In NLP Model Updates [68.09049111171862]
  この研究は、NLPモデル更新における回帰エラーの定量化、低減、分析に重点を置いている。 回帰フリーモデル更新を制約付き最適化問題に定式化する。 モデルアンサンブルが回帰を減らす方法を実証的に分析します。
  論文  参考訳（メタデータ） (2021-05-07T03:33:00Z)
• Regularization Strategies for Quantile Regression [8.232258589877942]
  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。
  論文  参考訳（メタデータ） (2021-02-09T21:10:35Z)

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。