Fugu-MT 論文翻訳(概要): Can Machine Learning Catch the COVID-19 Recession?

論文の概要: Can Machine Learning Catch the COVID-19 Recession?

arxiv url: http://arxiv.org/abs/2103.01201v1
Date: Mon, 1 Mar 2021 18:47:46 GMT
ステータス: 処理完了
システム内更新日: 2021-03-03 15:48:13.762358
Title: Can Machine Learning Catch the COVID-19 Recession?
Title（参考訳）: 機械学習はCOVID-19の景気後退に耐えられるか?
Authors: Philippe Goulet Coulombe, Massimiliano Marcellino, Dalibor Stevanovic
Abstract要約: パンデミック時に予測する最も有望な道は、機械学習(ML)手法を用いて一般的な非線形性を実現することである。しかし、すべての非線形MLメソッドが似ているわけではない。例えば、通常の木や森林のような)外挿を許可しないものや、あるものは許可しない。前例のない時代におけるMLベースの予測のこのその他の重要な側面は、広範囲にわたる擬似サンプルエクササイズで研究されている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Based on evidence gathered from a newly built large macroeconomic data set for the UK, labeled UK-MD and comparable to similar datasets for the US and Canada, it seems the most promising avenue for forecasting during the pandemic is to allow for general forms of nonlinearity by using machine learning (ML) methods. But not all nonlinear ML methods are alike. For instance, some do not allow to extrapolate (like regular trees and forests) and some do (when complemented with linear dynamic components). This and other crucial aspects of ML-based forecasting in unprecedented times are studied in an extensive pseudo-out-of-sample exercise.
Abstract（参考訳）: uk-mdとラベル付けされ、米国とカナダで同様のデータセットに匹敵する大規模なマクロ経済データセットから収集された証拠に基づいて、パンデミック時に予測する最も有望な道は、機械学習(ml)メソッドを使用して一般的な非線形性を可能にすることだ。しかし、すべての非線形MLメソッドが似ているわけではない。例えば、(通常の木や森のような)外挿を許さないものや、(線形動的成分を補完する) do がある。前例のない時代におけるMLベースの予測のこのその他の重要な側面は、広範囲にわたる擬似サンプルエクササイズで研究されている。

関連論文リスト

Bayesian Nonlinear Regression using Sums of Simple Functions [0.0]
本稿では,マクロ経済学における大規模データセットに適用可能な新しいベイズ機械学習モデルを提案する。シミュレーションでは, 精度の高い点と密度の予測が得られた。
論文参考訳（メタデータ） (2023-12-04T13:24:46Z)
Large Language Model-Aware In-Context Learning for Code Generation [75.68709482932903]
大規模言語モデル(LLM)は、コード生成において印象的なコンテキスト内学習(ICL)能力を示している。コード生成のためのLAIL (LLM-Aware In-context Learning) という新しい学習ベース選択手法を提案する。
論文参考訳（メタデータ） (2023-10-15T06:12:58Z)
What Can We Learn from Unlearnable Datasets? [107.12337511216228]
学習不可能なデータセットは、ディープニューラルネットワークの一般化を防ぐことによって、データのプライバシを保護する可能性がある。学習不可能なデータセットでトレーニングされたニューラルネットワークは、一般化には役に立たない単純なルールであるショートカットのみを学ぶと広く信じられている。これとは対照的に,ネットワークは高いテスト性能を期待できる有用な特徴を実際に学習することができ,画像保護が保証されていないことを示唆している。
論文参考訳（メタデータ） (2023-05-30T17:41:35Z)
Characterizing Datapoints via Second-Split Forgetting [93.99363547536392]
我々は、オリジナルのトレーニング例が忘れられた後(もしあれば)のエポックを追跡する補足的メトリックである$$-second-$split$$forgetting$$$time$ (SSFT)を提案する。例えば$mislabeled$の例はすぐに忘れられ、$rare$の例は比較的ゆっくりと忘れられています。 SSFTは、(i)間違ったラベル付きサンプルを識別し、その除去により一般化が向上し、(ii)障害モードに関する洞察を提供する。
論文参考訳（メタデータ） (2022-10-26T21:03:46Z)
Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文参考訳（メタデータ） (2021-07-05T12:44:39Z)
Supervised Machine Learning with Plausible Deniability [1.685485565763117]
機械学習(ML)モデルが、特定のデータセットでトレーニングされたモデルが、トレーニングデータに対してどの程度のプライバシを提供するか、という問題について検討する。我々は、純粋にランダムなトレーニングデータの集合を取ることができ、そこから、ちょうど$f$のMLモデルを生成する'適切な学習ルール'を定義することができることを示す。
論文参考訳（メタデータ） (2021-06-08T11:54:51Z)
Semi-Supervised Metric Learning: A Deep Resurrection [22.918651280720855]
Semi-Supervised DML (SSDML) はいくつかのラベル付き例と豊富なラベルなし例を使ってメトリクスを学習しようとする。例のペア間の親和性が最初に伝播するグラフベースのアプローチを提案する。メトリクスパラメータには、より優れたパフォーマンスをもたらすため、メトリクスの制約を課します。
論文参考訳（メタデータ） (2021-05-10T12:28:45Z)
Understanding self-supervised Learning Dynamics without Contrastive Pairs [72.1743263777693]
自己監視学習(SSL)に対する対照的アプローチは、同じデータポイントの2つの拡張ビュー間の距離を最小限にすることで表現を学習する。 BYOLとSimSiamは、負のペアなしで素晴らしいパフォーマンスを示す。単純線形ネットワークにおける非コントラストSSLの非線形学習ダイナミクスについて検討する。
論文参考訳（メタデータ） (2021-02-12T22:57:28Z)
Linear-Sample Learning of Low-Rank Distributions [56.59844655107251]
ktimes k$, rank-r$, matrices to normalized $L_1$ distance requires $Omega(frackrepsilon2)$ sample。我々は、$cal O(frackrepsilon2log2fracepsilon)$ sample, a number linear in the high dimension, and almost linear in the matrices, usually low, rank proofs.というアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-09-30T19:10:32Z)
How is Machine Learning Useful for Macroeconomic Forecasting? [0.0]
標準的なマクロ計量法よりもMLゲインを駆動する基礎的特徴の有用性について検討する。我々は, いわゆる4つの特徴(非線形性, 正規化, クロスバリデーション, 代替損失関数)を区別し, データリッチ環境とデータ貧弱環境の両方でそれらの挙動を研究する。このことは機械学習が不確実性や金銭的摩擦の文脈で発生する重要な非線形性を主に捉え、マクロ経済予測に有用であることを示唆している。
論文参考訳（メタデータ） (2020-08-28T04:23:52Z)
The Macroeconomy as a Random Forest [0.0]
線形マクロ方程式において、進化するパラメータを柔軟にモデル化するために、標準機械学習(ML)ツールを適用するアルゴリズムを開発した。このアプローチは、多くの代替案よりも明確な予測ゲインをもたらし、2008年の失業率の急激な上昇を予測し、インフレのためにうまく機能する。
論文参考訳（メタデータ） (2020-06-23T03:44:15Z)

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。