論文の概要: Bayesian Boosting for Linear Mixed Models
- arxiv url: http://arxiv.org/abs/2106.04862v1
- Date: Wed, 9 Jun 2021 07:40:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-10 15:17:03.738109
- Title: Bayesian Boosting for Linear Mixed Models
- Title(参考訳): 線形混合モデルに対するベイズブースティング
- Authors: Boyao Zhang, Colin Griesbach, Cora Kim, Nadia M\"uller-Voggel,
Elisabeth Bergherr
- Abstract要約: 本稿では,線形混合モデルに対するブースティングとベイジアンを組み合わせた新しい推論手法"BayesBoost"を提案する。
この手法はベイズ推定の欠点を克服し、正確で曖昧なガイドラインを提示する。
新しいアプローチの有効性は、シミュレーションや、神経生理学の分野のデータ例を通して観察することができる。
- 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: Boosting methods are widely used in statistical learning to deal with
high-dimensional data due to their variable selection feature. However, those
methods lack straightforward ways to construct estimators for the precision of
the parameters such as variance or confidence interval, which can be achieved
by conventional statistical methods like Bayesian inference. In this paper, we
propose a new inference method "BayesBoost" that combines boosting and Bayesian
for linear mixed models to make the uncertainty estimation for the random
effects possible on the one hand. On the other hand, the new method overcomes
the shortcomings of Bayesian inference in giving precise and unambiguous
guidelines for the selection of covariates by benefiting from boosting
techniques. The implementation of Bayesian inference leads to the randomness of
model selection criteria like the conditional AIC (cAIC), so we also propose a
cAIC-based model selection criteria that focus on the stabilized regions
instead of the global minimum. The effectiveness of the new approach can be
observed via simulation and in a data example from the field of neurophysiology
focussing on the mechanisms in the brain while listening to unpleasant sounds.
- Abstract(参考訳): ブースティング法は, 統計的学習において, 変数選択の特徴から高次元データを扱うために広く用いられている。
しかし、これらの手法には、分散や信頼区間などのパラメータの精度を推定する簡単な方法が欠けており、ベイズ推定のような従来の統計手法によって達成できる。
本稿では,線形混合モデルに対するブースティングとベイズモデルを組み合わせた,ランダム効果の不確かさ推定を可能にする新しい推定手法であるbayesboostを提案する。
一方, この手法は, ベイズ推論の欠点を克服し, 強化手法の利点を生かして, 共変量選択の厳密かつ曖昧なガイドラインを提示する。
ベイズ推論の実装は、条件付きAIC(cAIC)のようなモデル選択基準のランダム性をもたらすため、大域的な最小値ではなく安定化された領域に焦点を当てたcAICベースのモデル選択基準も提案する。
この新しいアプローチの有効性は、シミュレーションや、不快な音を聴きながら脳のメカニズムに焦点を当てた神経生理学の分野のデータ例を通して観察することができる。
関連論文リスト
- Calibrating Neural Simulation-Based Inference with Differentiable
Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。
古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。
既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文 参考訳(メタデータ) (2023-10-20T10:20:45Z) - Observation-Guided Diffusion Probabilistic Models [45.60819186624553]
観測誘導拡散確率モデル(OGDM)と呼ばれる新しい拡散モデルを提案する。
本手法は,観測プロセスの指導をマルコフ連鎖と統合することにより,トレーニング目標を再構築する。
本研究では,強い拡散モデルベースラインに対する多種多様な推論手法を用いた学習アルゴリズムの有効性を示す。
論文 参考訳(メタデータ) (2023-10-06T06:29:06Z) - Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。
近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。
本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
論文 参考訳(メタデータ) (2023-06-16T16:30:39Z) - Learning Robust Statistics for Simulation-based Inference under Model
Misspecification [23.331522354991527]
本稿では,シミュレーションに基づく推論手法の異なるクラスにまたがって機能するモデル不特定性を扱うための,最初の一般的なアプローチを提案する。
提案手法は,モデルが適切に特定された場合の精度を保ちながら,不特定シナリオにおいて頑健な推論をもたらすことを示す。
論文 参考訳(メタデータ) (2023-05-25T09:06:26Z) - Variational Inference for Bayesian Neural Networks under Model and
Parameter Uncertainty [12.211659310564425]
BNNにおける構造学習の枠組みとしてモデル不確実性の概念を適用した。
本稿では,限界包摂確率の再パラメータ化による拡張性のある変分推論手法を提案する。
論文 参考訳(メタデータ) (2023-05-01T16:38:17Z) - Error-based Knockoffs Inference for Controlled Feature Selection [49.99321384855201]
本手法では, ノックオフ特徴量, エラーベース特徴重要度統計量, ステップダウン手順を一体化して, エラーベースのノックオフ推定手法を提案する。
提案手法では回帰モデルを指定する必要はなく,理論的保証で特徴選択を処理できる。
論文 参考訳(メタデータ) (2022-03-09T01:55:59Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - $\beta$-Cores: Robust Large-Scale Bayesian Data Summarization in the
Presence of Outliers [14.918826474979587]
古典的ベイズ推定の質は、観測結果が推定データ生成モデルに適合するかどうかに大きく依存する。
本稿では,大容量データセットに同時スケール可能な変分推論手法を提案する。
多様なシミュレーションおよび実データ、および様々な統計モデルにおいて、我々のアプローチの適用性について説明する。
論文 参考訳(メタデータ) (2020-08-31T13:47:12Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳(メタデータ) (2020-06-26T13:50:19Z) - Efficient Ensemble Model Generation for Uncertainty Estimation with
Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。
提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。
また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文 参考訳(メタデータ) (2020-05-21T16:08:38Z)
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。