論文の概要: Solution to the Non-Monotonicity and Crossing Problems in Quantile Regression

• arxiv url: http://arxiv.org/abs/2111.04805v1
• Date: Mon, 8 Nov 2021 20:20:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-10 14:43:25.263819
• Title: Solution to the Non-Monotonicity and Crossing Problems in Quantile Regression
• Title（参考訳）: 分位回帰における非単調性と交差問題の解法
• Authors: Resve A. Saleh and A.K.Md. Ehsanes Saleh
• Abstract要約: 本稿では,条件付きおよび構造的量子関数の推定における単調性の欠如に対処する新しい手法を提案する。 この横断問題は、40年以上にわたって研究者や実践者たちを悩ませてきた。 本稿では、RとPythonで容易に理解し実装できる1つの数学的方程式に基づく問題に対するエレガントな解について述べる。
• 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: This paper proposes a new method to address the long-standing problem of lack of monotonicity in estimation of the conditional and structural quantile function, also known as quantile crossing problem. Quantile regression is a very powerful tool in data science in general and econometrics in particular. Unfortunately, the crossing problem has been confounding researchers and practitioners alike for over 4 decades. Numerous attempts have been made to find an acceptable solution but no simple and general solution has been found to date. This paper describes an elegant solution to the problem which is based on a single mathematical equation that is easy to understand and implement in R and Python, while greatly reducing the crossing problem. It will be very important in all areas where quantile regression is routinely used and may also find application in robust regression, especially in the context of machine learning.
• Abstract（参考訳）: 本稿では, 条件付きおよび構造的量子関数の推定において, 単調性の欠如という長年の問題に対処する新しい手法を提案する。 量子回帰は、一般的なデータサイエンス、特に計量学において非常に強力なツールである。 残念なことに、この横断問題は40年以上にわたって研究者や実践者たちを悩ませてきた。 許容できる解を見つけるために多くの試みがなされているが、これまでは単純で一般的な解は見つからなかった。 本稿では,この問題に対するエレガントな解法について述べる。r と python で容易に理解し,実装できる1つの数学的方程式に基づく。 質的回帰が日常的に使用されるすべての領域において非常に重要であり、特に機械学習のコンテキストにおいて、堅牢な回帰に応用される可能性がある。

関連論文リスト

• Homotopy Continuation Made Easy: Regression-based Online Simulation of Starting Problem-Solution Pairs [17.543457476766367]
  ホモトピーの継続は 除去テンプレートの 代替物として導入されました 我々の革新は、入力対応から直接解を予測するためにシミュレーションで訓練された回帰ネットワークを利用することで成り立っている。 このエレガントな組み合わせを一般化カメラ切除に適用し、また、難解な一般化された相対ポーズとスケール問題に対する新しい解決策を導入する。
  論文  参考訳（メタデータ） (2024-11-06T08:22:00Z)
• Deep Generative Symbolic Regression [83.04219479605801]
  記号回帰は、データから簡潔な閉形式数学的方程式を発見することを目的としている。 既存の手法は、探索から強化学習まで、入力変数の数に応じてスケールできない。 本稿では,我々のフレームワークであるDeep Generative Symbolic Regressionのインスタンス化を提案する。
  論文  参考訳（メタデータ） (2023-12-30T17:05:31Z)
• Theoretical Characterization of the Generalization Performance of Overfitted Meta-Learning [70.52689048213398]
  本稿では,ガウス的特徴を持つ線形回帰モデルの下で,過剰適合型メタラーニングの性能について検討する。 シングルタスク線形回帰には存在しない新しい興味深い性質が見つかる。 本分析は,各訓練課題における基礎的真理のノイズや多様性・変動が大きい場合には,良心過剰がより重要かつ容易に観察できることを示唆する。
  論文  参考訳（メタデータ） (2023-04-09T20:36:13Z)
• Accelerating the training of single-layer binary neural networks using the HHL quantum algorithm [58.720142291102135]
  Harrow-Hassidim-Lloyd (HHL) の量子力学的実装から有用な情報が抽出可能であることを示す。 しかし,本論文では,HHLの量子力学的実装から有用な情報を抽出し,古典的側面における解を見つける際の複雑性を低減することを目的としている。
  論文  参考訳（メタデータ） (2022-10-23T11:58:05Z)
• Blind Polynomial Regression [28.35687689204994]
  我々は(潜在的に部分的な)ブラインド回帰問題を述べ、その理論的性質の一部をレンダリングし、それを解決するアルゴリズム的アプローチを提案する。 ケーススタディとして,ジッタ補正問題に適用し,その性能を相関させる。
  論文  参考訳（メタデータ） (2022-10-21T10:54:35Z)
• Symbolic Regression for Space Applications: Differentiable Cartesian Genetic Programming Powered by Multi-objective Memetic Algorithms [10.191757341020216]
  進化ループ中の定数を学習するために、微分可能なモンテカルロ遺伝的プログラミング符号化を利用する、新しい多目的メメティックアルゴリズムを提案する。 この手法は、火星からの熱パワー推定とジャイロロノロジーによる恒星の年齢決定という2つの応用に対して、学習したブラックボックス回帰モデルやハンドエンジニアリングフィッティングよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-13T14:44:15Z)
• Communication-Efficient Distributed Quantile Regression with Optimal Statistical Guarantees [2.064612766965483]
  本稿では,分散量子レグレッションにおいて,厳密なスケーリング条件を伴わずに最適な推論を実現する方法の課題に対処する。 この問題は、ローカル(各データソース)とグローバルな目的関数に適用される二重平滑化アプローチによって解決される。 局所的および大域的滑らか化パラメータの微妙な組み合わせに依存するにもかかわらず、量子回帰モデルは完全にパラメトリックである。
  論文  参考訳（メタデータ） (2021-10-25T17:09:59Z)
• Understanding the Under-Coverage Bias in Uncertainty Estimation [58.03725169462616]
  量子レグレッションは、現実の望ましいカバレッジレベルよりもアンファンダーカバー(enmphunder-cover)する傾向がある。 我々は、量子レグレッションが固有のアンダーカバーバイアスに悩まされていることを証明している。 我々の理論は、この過大被覆バイアスが特定の高次元パラメータ推定誤差に起因することを明らかにしている。
  論文  参考訳（メタデータ） (2021-06-10T06:11:55Z)
• Solving weakly supervised regression problem using low-rank manifold regularization [77.34726150561087]
  我々は弱い教師付き回帰問題を解く。 weakly"の下では、いくつかのトレーニングポイントではラベルが知られ、未知のものもあれば、無作為なノイズの存在やリソースの欠如などの理由によって不確かであることが分かっています。 数値的な節ではモンテカルロモデルを用いて提案手法を人工と実のデータセットに適用した。
  論文  参考訳（メタデータ） (2021-04-13T23:21:01Z)
• Flexible Model Aggregation for Quantile Regression [92.63075261170302]
  量子回帰は、予測の不確実性を定量化する必要性によって動機付けられた統計学習の基本的な問題である。 条件付き量子モデルの任意の数を集約する手法について検討する。 この論文で検討するモデルはすべて、現代のディープラーニングツールキットに適合します。
  論文  参考訳（メタデータ） (2021-02-26T23:21:16Z)
• Nonlinear Distribution Regression for Remote Sensing Applications [6.664736150040092]
  多くのリモートセンシングアプリケーションでは、観察から関心のある変数やパラメータを推定したい。 ニューラルネットワーク、ランダムフォレスト、ガウス過程などの標準アルゴリズムは、これら2つに関連して容易に利用可能である。 本稿では, グループ化されたデータの統計を仮定することなく, 従来の問題を解く非線形(カーネルベース)な分散回帰法を提案する。
  論文  参考訳（メタデータ） (2020-12-07T22:04:43Z)

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。