論文の概要: Parallel integrative learning for large-scale multi-response regression
with incomplete outcomes
- arxiv url: http://arxiv.org/abs/2104.05076v1
- Date: Sun, 11 Apr 2021 19:01:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-13 13:52:35.001381
- Title: Parallel integrative learning for large-scale multi-response regression
with incomplete outcomes
- Title(参考訳): 不完全な結果をもつ大規模多重応答回帰に対する並列積分学習
- Authors: Ruipeng Dong, Daoji Li, Zemin Zheng
- Abstract要約: ビッグデータの時代には、不完全な結果、多数の応答、および予測者の高次元の共存は、推定、予測、および計算において前例のない課題を引き起こします。
不完全な結果を伴う大規模マルチレスポンス回帰のためのスケーラブルかつ計算効率の高い手順であるPEERを提案する。
いくつかの穏やかな規則条件下では、PEERは推定、予測、変数選択の一貫性を含む素晴らしいサンプリング特性を楽しんでいます。
- 参考スコア(独自算出の注目度): 1.7403133838762448
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Multi-task learning is increasingly used to investigate the association
structure between multiple responses and a single set of predictor variables in
many applications. In the era of big data, the coexistence of incomplete
outcomes, large number of responses, and high dimensionality in predictors
poses unprecedented challenges in estimation, prediction, and computation. In
this paper, we propose a scalable and computationally efficient procedure,
called PEER, for large-scale multi-response regression with incomplete
outcomes, where both the numbers of responses and predictors can be
high-dimensional. Motivated by sparse factor regression, we convert the
multi-response regression into a set of univariate-response regressions, which
can be efficiently implemented in parallel. Under some mild regularity
conditions, we show that PEER enjoys nice sampling properties including
consistency in estimation, prediction, and variable selection. Extensive
simulation studies show that our proposal compares favorably with several
existing methods in estimation accuracy, variable selection, and computation
efficiency.
- Abstract(参考訳): マルチタスク学習は、多くのアプリケーションにおいて、複数の応答と単一の予測変数のセットの間の関連構造を調べるためにますます使われている。
ビッグデータの時代において、不完全な結果、大量の応答、予測者の高次元の共存は、推定、予測、計算において前例のない課題をもたらす。
本稿では,応答数と予測器の双方を高次元化可能な不完全な結果を伴う大規模マルチ応答回帰のための,peerと呼ばれるスケーラブルで計算効率のよい手続きを提案する。
スパース係数の回帰によって動機づけられた多重応答回帰を、効率よく並列に実装可能な単変数応答回帰の集合に変換する。
いくつかの穏やかな規則性条件の下では、PEERは推定、予測、変数選択の一貫性を含む優れたサンプリング特性を享受している。
提案手法は, 推定精度, 変数選択, 計算効率において, 既存の手法と好適に比較できることを示す。
関連論文リスト
- Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation
for Time Series [49.992908221544624]
時系列データは、しばしば多くの欠落した値を示し、これは時系列計算タスクである。
従来の深層学習法は時系列計算に有効であることが示されている。
本研究では,不確実性のある高精度な計算を行う非生成時系列計算法を提案する。
論文 参考訳(メタデータ) (2023-12-03T05:52:30Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳(メタデータ) (2023-09-02T01:27:53Z) - Errors-in-variables Fr\'echet Regression with Low-rank Covariate
Approximation [2.1756081703276]
Fr'echet回帰は、非ユークリッド応答変数を含む回帰分析のための有望なアプローチとして登場した。
提案手法は,大域的Fr'echet回帰と主成分回帰の概念を組み合わせて,回帰推定器の効率と精度を向上させることを目的とする。
論文 参考訳(メタデータ) (2023-05-16T08:37:54Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳(メタデータ) (2022-09-16T19:15:50Z) - Consensual Aggregation on Random Projected High-dimensional Features for
Regression [0.0]
本稿では,ランダムに投影された回帰予測の高次元的特徴に対するカーネルベースの合意アグリゲーションについて検討する。
集約方式は, 非常に大きく, 高い相関性を持つ特徴に対して, その性能を保っていることを数値的に説明する。
提案手法の効率性は,様々な種類の合成データセットと実データセットで評価されたいくつかの実験を通して説明される。
論文 参考訳(メタデータ) (2022-04-06T06:35:47Z) - Machine Learning for Multi-Output Regression: When should a holistic
multivariate approach be preferred over separate univariate ones? [62.997667081978825]
ランダムフォレストのような木に基づくアンサンブルは、統計学の手法の中で近代的な古典である。
これらの手法を広範囲なシミュレーションで比較し,多変量アンサンブル技術を用いた場合の主問題に答える。
論文 参考訳(メタデータ) (2022-01-14T08:44:25Z) - Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma
Distributions [91.63716984911278]
このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。
実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
論文 参考訳(メタデータ) (2021-11-11T14:28:12Z) - Complexity Measures for Multi-objective Symbolic Regression [2.4087148947930634]
多目的的シンボリック回帰は、学習したモデルの精度が最大化される一方で、その複雑さが自動的に適応されるという利点がある。
NSGA-IIを用いて多目的最適化を行う場合, シンボリック回帰においてどの複雑性尺度が最適に使用されるかを検討する。
論文 参考訳(メタデータ) (2021-09-01T08:22:41Z) - Fast cross-validation for multi-penalty ridge regression [0.0]
リッジ回帰は高次元データの単純なモデルである。
我々の主な貢献は、多孔質でサンプル重み付けされた帽子行列に対する計算的に非常に効率的な公式である。
ペアデータ型および優先データ型への拡張は、いくつかのがんゲノム生存予測問題に含まれ、図示されている。
論文 参考訳(メタデータ) (2020-05-19T09:13:43Z) - Towards Multimodal Response Generation with Exemplar Augmentation and
Curriculum Optimization [73.45742420178196]
本稿では,高度化とカリキュラム最適化を併用した,新しいマルチモーダル応答生成フレームワークを提案する。
我々のモデルは多様性と妥当性の点で強いベースラインに比べて大幅に改善されている。
論文 参考訳(メタデータ) (2020-04-26T16:29:06Z) - Statistically Guided Divide-and-Conquer for Sparse Factorization of
Large Matrix [2.345015036605934]
統計的問題をスパース係数回帰として定式化し、分割コンカレントアプローチでそれに取り組む。
第1段階分割では、タスクを1組の同時並列推定(CURE)問題に単純化するための2つの潜時並列アプローチについて検討する。
第2段階分割では、CUREの全解を効率的に追跡するために、一連の単純な増分経路からなる段階学習手法を革新する。
論文 参考訳(メタデータ) (2020-03-17T19:12:21Z)
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。