Fugu-MT 論文翻訳(概要): Inference for Network Regression Models with Community Structure

論文の概要: Inference for Network Regression Models with Community Structure

arxiv url: http://arxiv.org/abs/2106.04271v1
Date: Tue, 8 Jun 2021 12:04:31 GMT
ステータス: 処理完了
システム内更新日: 2021-06-09 16:04:21.786562
Title: Inference for Network Regression Models with Community Structure
Title（参考訳）: コミュニティ構造を考慮したネットワーク回帰モデルの推定
Authors: Mengjie Pan, Tyler H. McCormick, Bailey K. Fosdick
Abstract要約: コミュニティベースの依存構造から生じるエラーをモデル化する新しい回帰モデリングフレームワークを提案する。本稿では,その後の誤差分布の交換可能性特性を利用して,回帰パラメータの擬似標準誤差を求める。
参考スコア（独自算出の注目度）: 1.7188280334580197
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Network regression models, where the outcome comprises the valued edge in a network and the predictors are actor or dyad-level covariates, are used extensively in the social and biological sciences. Valid inference relies on accurately modeling the residual dependencies among the relations. Frequently homogeneity assumptions are placed on the errors which are commonly incorrect and ignore critical, natural clustering of the actors. In this work, we present a novel regression modeling framework that models the errors as resulting from a community-based dependence structure and exploits the subsequent exchangeability properties of the error distribution to obtain parsimonious standard errors for regression parameters.
Abstract（参考訳）: ネットワーク回帰モデルは、ネットワーク内の価値あるエッジを構成し、予測子はアクターまたはダイアドレベルの共変量であり、社会的および生物学的科学において広く使用される。妥当性推論は、関係間の残留依存を正確にモデル化することに依存する。しばしば同質性の仮定は、一般的に誤りであり、アクターの批判的で自然なクラスタリングを無視するエラーに置かれる。本研究では,コミュニティベースの依存構造から生じる誤差をモデル化し,それに続く誤差分布の交換可能性特性を利用して回帰パラメータの標準誤差を求める,新しい回帰モデルフレームワークを提案する。

関連論文リスト

Model Reconstruction Using Counterfactual Explanations: A Perspective From Polytope Theory [9.771997770574947]
本研究は, 対物モデルを用いたモデル再構成を改良する方法について分析する。我々の主な貢献は、モデル再構成における誤差と対実的なクエリの数の間の新しい理論的関係を導出することである。
論文参考訳（メタデータ） (2024-05-08T18:52:47Z)
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)
Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文参考訳（メタデータ） (2023-06-09T08:30:51Z)
Strong identifiability and parameter learning in regression with heterogeneous response [5.503319042839695]
本研究では, 有限混合回帰モデルにおける強い識別可能性, 条件密度およびパラメータ推定の収束率, およびベイズ後部収縮挙動について検討する。本稿では,本論文で報告されているいくつかの一般的な回帰混合モデルに見られるパラメータ学習行動について,シミュレーション研究とデータ図解を提供する。
論文参考訳（メタデータ） (2022-12-08T05:58:13Z)
Regularized Sequential Latent Variable Models with Adversarial Neural Networks [33.74611654607262]
逐次データの変動をモデル化するために,RNN で高レベル潜時確率変数を使用する方法を提案する。変動RNNモデルの学習に逆法を用いる可能性を探る。
論文参考訳（メタデータ） (2021-08-10T08:05:14Z)
Causality-aware counterfactual confounding adjustment as an alternative to linear residualization in anticausal prediction tasks based on linear learners [14.554818659491644]
反因果予測タスクにおける因果関係を考慮した共起調整に対する線形残差化手法の比較を行った。線形学習者の予測性能において,因果認識アプローチは(漸近的に)残留化調整に優れる傾向があることを示す。
論文参考訳（メタデータ） (2020-11-09T17:59:57Z)
Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文参考訳（メタデータ） (2020-10-25T18:51:15Z)
Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
論文参考訳（メタデータ） (2020-08-02T11:19:36Z)
Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
論文参考訳（メタデータ） (2020-07-21T08:18:06Z)
Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文参考訳（メタデータ） (2020-06-22T21:12:31Z)
Semi-Structured Distributional Regression -- Extending Structured Additive Models by Arbitrary Deep Neural Networks and Data Modalities [0.0]
本稿では、構造化回帰モデルとディープニューラルネットワークを統合ネットワークアーキテクチャに結合する一般的なフレームワークを提案する。数値実験において,本フレームワークの有効性を実証し,ベンチマークや実世界の応用において,そのメリットを実証する。
論文参考訳（メタデータ） (2020-02-13T21:01:26Z)

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。