論文の概要: A Method for Controlling Extrapolation when Visualizing and Optimizing the Prediction Profiles of Statistical and Machine Learning Models

• arxiv url: http://arxiv.org/abs/2201.05236v1
• Date: Thu, 13 Jan 2022 22:31:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-18 00:13:47.237667
• Title: A Method for Controlling Extrapolation when Visualizing and Optimizing the Prediction Profiles of Statistical and Machine Learning Models
• Title（参考訳）: 統計的・機械学習モデルの予測プロファイルを可視化・最適化する場合の補間制御法
• Authors: Jeremy Ash, Laura Lancaster, Chris Gotwalt
• Abstract要約: 本稿では,JMPソフトウェアにおける予測プロファイラの補間制御手法を提案する。 本手法は,外挿とみなすべき予測の探索を避けるのに役立つ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a novel method for controlling extrapolation in the prediction profiler in the JMP software. The prediction profiler is a graphical tool for exploring high dimensional prediction surfaces for statistical and machine learning models. The profiler contains interactive cross-sectional views, or profile traces, of the prediction surface of a model. Our method helps users avoid exploring predictions that should be considered extrapolation. It also performs optimization over a constrained factor region that avoids extrapolation using a genetic algorithm. In simulations and real world examples, we demonstrate how optimal factor settings without constraint in the profiler are frequently extrapolated, and how extrapolation control helps avoid these solutions with invalid factor settings that may not be useful to the user.
• Abstract（参考訳）: 本稿では,JMPソフトウェアにおける予測プロファイラの補間制御手法を提案する。 予測プロファイラは、統計モデルや機械学習モデルの高次元予測面を探索するためのグラフィカルツールである。 プロファイラは、モデルの予測面のインタラクティブな断面ビュー、またはプロファイルトレースを含む。 本手法は,外挿とみなすべき予測の探索を避けるのに役立つ。 また、遺伝的アルゴリズムを用いた外挿を避ける制限された因子領域の最適化も行う。 シミュレーションや実例では、プロファイラの制約のない最適因子設定が頻繁に外挿され、外挿制御がユーザにとって役に立たない無効な因子設定でこれらのソリューションをいかに回避できるかを実証する。

関連論文リスト

• Critical Example Mining for Vehicle Trajectory Prediction using Flow-based Generative Models [10.40439055916036]
  本稿では,トラジェクトリの希少性を推定するデータ駆動手法を提案する。 観測の希少度を全軌跡と組み合わせることで,予測が比較的難しいデータのサブセットを効果的に同定する。
  論文  参考訳（メタデータ） (2024-10-21T15:02:30Z)
• Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
  拡散モデルは、生成的モデリングに大きな進歩をもたらした。 しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。 本稿では,テキスト・インフルエンス・ファンクション・フレームワークを開発することにより,このような課題に対処することを目的とする。
  論文  参考訳（メタデータ） (2024-10-17T17:59:02Z)
• Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
  本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。 限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-09-10T07:34:19Z)
• Multi-Modal Conformal Prediction Regions with Simple Structures by Optimizing Convex Shape Templates [19.504348671777006]
  コンフォーマル予測は、高い確率で有効な機械学習モデルの予測領域を生成する統計ツールである。 共形予測アルゴリズムの重要な構成要素は、モデルの予測が未知の基底真理値とどのように異なるかを定量化するエンフノン整合スコア関数である。 キャリブレーションデータよりもパラメータ化されたエンフシェープテンプレート関数を最適化し,最小体積の予測領域を生成する非整合スコア関数を提案する。
  論文  参考訳（メタデータ） (2023-12-12T17:00:13Z)
• Conformal Prediction Regions for Time Series using Linear Complementarity Programming [25.094249285804224]
  本稿では,長期の地平面計画と検証を可能にするために,保守性を低減する最適化手法を提案する。 この問題を混合整数線形相補性プログラム (MILCP) としてキャストし, 線形相補性プログラム (LCP) に緩和することを示した。
  論文  参考訳（メタデータ） (2023-04-03T15:32:38Z)
• Model Predictive Control with Gaussian-Process-Supported Dynamical Constraints for Autonomous Vehicles [82.65261980827594]
  本研究では、学習したガウス過程を利用して人間の運転行動を予測する自動運転車のモデル予測制御手法を提案する。 マルチモード予測制御アプローチは、人間のドライバーの意図を考察する。
  論文  参考訳（メタデータ） (2023-03-08T17:14:57Z)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)
• On Predictive Explanation of Data Anomalies [3.1798318618973362]
  PROTEUSは、不均衡なデータセットの機能選択用に設計されたAutoMLパイプラインである。 教師なし検出器の決定面を近似することで予測的な説明を生成する。 予期せぬデータで予測性能を確実に推定する。
  論文  参考訳（メタデータ） (2021-10-18T16:59:28Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
  本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。 最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。 さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-06-24T23:13:11Z)
• Dimensionality reduction to maximize prediction generalization capability [0.7614628596146599]
  時系列予測の一般化は機械学習において依然として重要な課題であり、初期の手法は大きな一般化誤差または局所最小値を持つ。 我々は,予測主成分分析(PredPCA)と呼ばれる,将来の入力を予測するための最も情報性の高いコンポーネントを抽出する,解析的に解決可能な教師なし学習手法を開発した。 提案手法は,予測不能なノイズを効果的に除去し,凸最適化によるテスト予測誤差を最小化することができる。
  論文  参考訳（メタデータ） (2020-03-01T12:04:59Z)

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。