論文の概要: Distributional Gradient Boosting Machines

• arxiv url: http://arxiv.org/abs/2204.00778v1
• Date: Sat, 2 Apr 2022 06:32:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-05 13:32:03.849826
• Title: Distributional Gradient Boosting Machines
• Title（参考訳）: 配電用勾配昇降機
• Authors: Alexander M\"arz, Thomas Kneib
• Abstract要約: 私たちのフレームワークはXGBoostとLightGBMをベースにしています。 我々は,このフレームワークが最先端の予測精度を実現することを示す。
• 参考スコア（独自算出の注目度）: 77.34726150561087
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a unified probabilistic gradient boosting framework for regression tasks that models and predicts the entire conditional distribution of a univariate response variable as a function of covariates. Our likelihood-based approach allows us to either model all conditional moments of a parametric distribution, or to approximate the conditional cumulative distribution function via Normalizing Flows. As underlying computational backbones, our framework is based on XGBoost and LightGBM. Modelling and predicting the entire conditional distribution greatly enhances existing tree-based gradient boosting implementations, as it allows to create probabilistic forecasts from which prediction intervals and quantiles of interest can be derived. Empirical results show that our framework achieves state-of-the-art forecast accuracy.
• Abstract（参考訳）: 本稿では,共変量関数としての単変量応答変数の条件分布全体をモデル化し,予測する回帰タスクのための統一確率勾配向上フレームワークを提案する。 我々の可能性に基づくアプローチでは、パラメトリック分布のすべての条件モーメントをモデル化するか、正規化フローによる条件累積分布関数を近似することができる。 我々のフレームワークはXGBoostとLightGBMをベースにしています。 条件分布全体のモデル化と予測は、予測間隔と興味のある分数を導出できる確率的予測を可能にするため、既存の木ベースの勾配ブースティング実装を大幅に強化する。 実験結果から,本フレームワークは最先端の予測精度を実現する。

関連論文リスト

• Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。 我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• Probabilistic Forecasting with Stochastic Interpolants and Föllmer Processes [18.344934424278048]
  生成モデルに基づく動的システムの確率的予測のためのフレームワークを提案する。 このSDEのドリフトと拡散係数は訓練後に調整できることを示し、推定誤差の影響を最小限に抑える特定の選択がF"ollmerプロセスを与えることを示した。
  論文  参考訳（メタデータ） (2024-03-20T16:33:06Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Predicting conditional probability distributions of redshifts of Active Galactic Nuclei using Hierarchical Correlation Reconstruction [0.8702432681310399]
  本稿では,条件付き確率分布を安価に予測するために階層的相関再構成(HCR)手法を適用する。 我々は解釈可能なモデルを得る:条件付きモーメントに対する特徴の寄与を記述する係数を持つ。 本稿では、特にCCA(Canonical correlation Analysis)を用いて特徴最適化とl1"lasso"正規化を行う。
  論文  参考訳（メタデータ） (2022-06-13T14:28:53Z)
• Transforming Autoregression: Interpretable and Expressive Time Series Forecast [0.0]
  本稿では,様々な研究方向からインスパイアされたモデルクラスである自己回帰変換モデル(ATM)を提案する。 ATMは半パラメトリック分布仮定と解釈可能なモデル仕様を用いて表現的分布予測を統一する。 ATMの理論的および実証的な評価により,複数のシミュレーションおよび実世界の予測データセット上でATMの特性を実証する。
  論文  参考訳（メタデータ） (2021-10-15T17:58:49Z)
• Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
  多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。 提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
  論文  参考訳（メタデータ） (2021-06-07T17:44:49Z)
• Multivariate Boosted Trees and Applications to Forecasting and Control [0.0]
  勾配強化木は、特定の損失関数を最小限に抑えるために、逐次モデルフィッティングと勾配降下を利用する非パラメトリック回帰木である。 本稿では,多変量隆起木を適応する計算効率のよいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-03-08T19:26:59Z)
• CatBoostLSS -- An extension of CatBoost to probabilistic forecasting [91.3755431537592]
  本稿では,不可変応答変数の条件分布全体を予測する新しいフレームワークを提案する。 CatBoostLSSは条件平均のみではなくパラメトリック分布のすべてのモーメントをモデル化する。 提案手法の利点を実証するシミュレーション研究と実世界の実例を共に提示する。
  論文  参考訳（メタデータ） (2020-01-04T15:42:44Z)

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。