論文の概要: Conjugate priors for count and rounded data regression

• arxiv url: http://arxiv.org/abs/2110.12316v1
• Date: Sat, 23 Oct 2021 23:26:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-31 19:35:45.123281
• Title: Conjugate priors for count and rounded data regression
• Title（参考訳）: カウントと丸いデータ回帰のための共役前処理
• Authors: Daniel R. Kowal
• Abstract要約: 閉形式後部推論を可能にする共役前部を導入する。 主要な後続関数と予測関数は計算可能であり、直接モンテカルロシミュレーションによって計算可能である。 これらのツールは、線形回帰、基底展開による非線形モデル、モデルと変数選択に広く有用である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Discrete data are abundant and often arise as counts or rounded data. However, even for linear regression models, conjugate priors and closed-form posteriors are typically unavailable, thereby necessitating approximations or Markov chain Monte Carlo for posterior inference. For a broad class of count and rounded data regression models, we introduce conjugate priors that enable closed-form posterior inference. Key posterior and predictive functionals are computable analytically or via direct Monte Carlo simulation. Crucially, the predictive distributions are discrete to match the support of the data and can be evaluated or simulated jointly across multiple covariate values. These tools are broadly useful for linear regression, nonlinear models via basis expansions, and model and variable selection. Multiple simulation studies demonstrate significant advantages in computing, predictive modeling, and selection relative to existing alternatives.
• Abstract（参考訳）: 離散データは豊富であり、カウントや丸いデータとしてしばしば発生する。 しかし、線形回帰モデルでも共役前駆と閉形式後尾は一般的に利用できないため、後進推論には近似やマルコフ連鎖モンテカルロが必要となる。 広範囲のカウントおよびラウンドドデータ回帰モデルに対して、閉形式後部推論を可能にする共役先行モデルを導入する。 鍵後方関数と予測関数は解析的あるいは直接モンテカルロシミュレーションによって計算可能である。 重要なことは、予測分布はデータの支持と一致させるために離散的であり、複数の共変量に対して共同で評価またはシミュレーションすることができる。 これらのツールは、線形回帰、基底展開による非線形モデル、モデルと変数選択に広く有用である。 複数のシミュレーション研究は、計算、予測モデリング、および既存の代替品に対する選択において大きな利点を示している。

関連論文リスト

• von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
  円値ランダム関数上の表現的および解釈可能な分布の族を探索する。 結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。 後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
  論文  参考訳（メタデータ） (2024-06-19T01:57:21Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
  科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。 これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
  論文  参考訳（メタデータ） (2024-03-03T04:21:21Z)
• Adaptive Optimization for Prediction with Missing Data [6.800113478497425]
  適応線形回帰モデルの中には,命令規則と下流線形回帰モデルを同時に学習するのと等価なものもある。 ランダムにデータの欠落が強くない環境では,本手法はサンプル外精度を2～10%向上させる。
  論文  参考訳（メタデータ） (2024-02-02T16:35:51Z)
• Conformal inference for regression on Riemannian Manifolds [49.7719149179179]
  回帰シナリオの予測セットは、応答変数が$Y$で、多様体に存在し、Xで表される共変数がユークリッド空間にあるときに検討する。 我々は、多様体上のこれらの領域の経験的バージョンが、その集団に対するほぼ確実に収束していることを証明する。
  論文  参考訳（メタデータ） (2023-10-12T10:56:25Z)
• 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)
• Probabilistic Unrolling: Scalable, Inverse-Free Maximum Likelihood Estimation for Latent Gaussian Models [69.22568644711113]
  我々は,モンテカルロサンプリングと反復線形解法を組み合わせた確率的アンローリングを導入し,行列逆転を回避した。 理論的解析により,解法の繰り返しによる解法の解法と逆転が最大値推定の勾配推定を高速化することを示した。 シミュレーションおよび実データ実験において、確率的アンロールは、モデル性能の損失を最小限に抑えながら、勾配EMよりも桁違いに高速な潜在ガウスモデルを学習することを示した。
  論文  参考訳（メタデータ） (2023-06-05T21:08:34Z)
• ecpc: An R-package for generic co-data models for high-dimensional prediction [0.0]
  R-package ecpcはもともと、様々な、おそらく複数のコデータソースに対応していた。 本稿では,汎用コデータモデルのための手法とソフトウェアの拡張について述べる。 R-package squeezyにより,リッジのペナルティが弾性ネットペナルティにどのように変換されるかを示す。
  論文  参考訳（メタデータ） (2022-05-16T12:55:19Z)
• Two-step penalised logistic regression for multi-omic data with an application to cardiometabolic syndrome [62.997667081978825]
  我々は,各層で変数選択を行うマルチオミックロジスティック回帰に対する2段階のアプローチを実装した。 私たちのアプローチは、可能な限り多くの関連する予測子を選択することを目標とすべきです。 提案手法により,分子レベルでの心筋メタボリックシンドロームの特徴を同定することができる。
  論文  参考訳（メタデータ） (2020-08-01T10:36:27Z)
• Variable fusion for Bayesian linear regression via spike-and-slab priors [0.0]
  本稿では,ベイズ線形回帰モデルを用いた新しい変数融合法を提案する。 スパイク・アンド・スラブ先行は可変核融合を実行するように調整される。 シミュレーション研究と実データ解析により,提案手法は従来の手法よりも優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2020-03-30T09:38:00Z)
• Review of Probability Distributions for Modeling Count Data [0.0]
  一般化線形モデルは回帰文脈におけるカウントの直接モデリングを可能にする。 カウントが相対情報のみを含む場合、マルチノミアルまたはディリクレ・マルチノミカルモデルの方が適切である。
  論文  参考訳（メタデータ） (2020-01-10T18:28:19Z)

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。