Fugu-MT 論文翻訳(概要): Ordinal-ResLogit: Interpretable Deep Residual Neural Networks for Ordered Choices

論文の概要: Ordinal-ResLogit: Interpretable Deep Residual Neural Networks for Ordered Choices

arxiv url: http://arxiv.org/abs/2204.09187v1
Date: Wed, 20 Apr 2022 02:14:28 GMT
ステータス: 処理完了
システム内更新日: 2022-04-21 14:42:42.098876
Title: Ordinal-ResLogit: Interpretable Deep Residual Neural Networks for Ordered Choices
Title（参考訳）: Ordinal-ResLogit:順序付き選択のための解釈可能なDeep Residual Neural Network
Authors: Kimia Kamal and Bilal Farooq
Abstract要約: 我々は、完全に解釈可能なディープラーニングに基づく順序回帰モデルを開発する。市場シェア、代替パターン、弾力性の定式化が導出される。以上の結果から,Ordinal-ResLogitは従来の順序回帰モデルよりも優れていることがわかった。
参考スコア（独自算出の注目度）: 6.982614422666432
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This study presents an Ordinal version of Residual Logit (Ordinal-ResLogit) model to investigate the ordinal responses. We integrate the standard ResLogit model into COnsistent RAnk Logits (CORAL) framework, classified as a binary classification algorithm, to develop a fully interpretable deep learning-based ordinal regression model. As the formulation of the Ordinal-ResLogit model enjoys the Residual Neural Networks concept, our proposed model addresses the main constraint of machine learning algorithms, known as black-box. Moreover, the Ordinal-ResLogit model, as a binary classification framework for ordinal data, guarantees consistency among binary classifiers. We showed that the resulting formulation is able to capture underlying unobserved heterogeneity from the data as well as being an interpretable deep learning-based model. Formulations for market share, substitution patterns, and elasticities are derived. We compare the performance of the Ordinal-ResLogit model with an Ordered Logit Model using a stated preference (SP) dataset on pedestrian wait time and a revealed preference (RP) dataset on travel distance. Our results show that Ordinal-ResLogit outperforms the traditional ordinal regression model for both datasets. Furthermore, the results obtained from the Ordinal-ResLogit RP model show that travel attributes such as driving and transit cost have significant effects on choosing the location of non-mandatory trips. In terms of the Ordinal-ResLogit SP model, our results highlight that the road-related variables and traffic condition are contributing factors in the prediction of pedestrian waiting time such that the mixed traffic condition significantly increases the probability of choosing longer waiting times.
Abstract（参考訳）: 本研究は, 規則応答を調べるために, 規則型Residual Logit(Ordinal-ResLogit)モデルを提案する。我々は、標準的なResLogitモデルをバイナリ分類アルゴリズムに分類したConsistent RAnk Logits (CORAL)フレームワークに統合し、完全に解釈可能なディープラーニングに基づく順序回帰モデルを開発する。正規-ResLogitモデルの定式化はResidual Neural Networksの概念を楽しみ、提案モデルはブラックボックスとして知られる機械学習アルゴリズムの主な制約に対処する。さらに、順序データのバイナリ分類フレームワークであるordinal-reslogitモデルは、バイナリ分類器間の一貫性を保証する。その結果,データから観測できない不均質性や,解釈可能な深層学習に基づくモデルが得られることが分かった。市場シェア、代替パターン、弾力性の定式化が導出される。オーディナル・レスロジットモデルとオーディナル・レスロジットモデルの性能を,歩行者待ち時間に記載された嗜好(SP)データセットと走行距離に明示された嗜好(RP)データセットを用いて比較した。その結果,ordinal-reslogitは,従来のordinal regressionモデルよりも優れていた。さらに,ordinal-reslogit rpモデルから得られた結果は,運転費や交通費などの旅行特性が,非整備旅行の場所選択に有意な影響を与えていることを示している。本研究の結果から,道路関連変数と交通条件が歩行者待ち時間の予測に寄与し,交通条件の混合が待ち時間選択の確率を著しく向上させることがわかった。

関連論文リスト

A Statistical-Modelling Approach to Feedforward Neural Network Model Selection [0.8287206589886881]
フィードフォワードニューラルネットワーク(FNN)は非線形回帰モデルと見なすことができる。 FNNのためのベイズ情報基準(BIC)を用いて,新しいモデル選択法を提案する。サンプル外性能よりもBICを選択することは、真のモデルを回復する確率を増大させる。
論文参考訳（メタデータ） (2022-07-09T11:07:04Z)
Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文参考訳（メタデータ） (2022-05-25T17:37:08Z)
Continuously Generalized Ordinal Regression for Linear and Deep Models [41.03778663275373]
正規回帰は、クラスが順序を持ち、予測エラーが予測されたクラスが真のクラスからさらに大きくなるような分類タスクである。本稿では,クラス固有の超平面斜面をモデル化するための新しい手法を提案する。本手法は,順序回帰ベンチマークデータセットの完全セットに対して,標準順序ロジスティックモデルよりも大幅に優れる。
論文参考訳（メタデータ） (2022-02-14T19:49:05Z)
General Greedy De-bias Learning [163.65789778416172]
本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。 GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
論文参考訳（メタデータ） (2021-12-20T14:47:32Z)
Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文参考訳（メタデータ） (2021-02-02T06:15:15Z)
Learning a binary search with a recurrent neural network. A novel approach to ordinal regression analysis [0.0]
本稿では,順序回帰における深層学習フレームワークが提供するシーケンス・ツー・シーケンス学習手法の応用について検討する。対象変数の順序に応じてモデルの説明変数を可視化する手法を提案する。この手法は、多くのベンチマークデータセット上の従来の順序回帰法と比較され、同等またははるかに優れた予測能力を有することが示されている。
論文参考訳（メタデータ） (2021-01-07T16:16:43Z)
Deep and interpretable regression models for ordinal outcomes [0.0]
自然順の出力は予測タスクでよく起こり、しばしば利用可能な入力データは複雑なデータの混合である。我々は,古典的順序回帰アプローチと深層学習(DL)を結合した順序性ニューラルネットワーク変換モデル(ONTRAM)を提案する。最もフレキシブルなONTRAMの性能は、標準の多クラスDLモデルと同等であり、クロスエントロピーで訓練され、通常の結果に直面するとより高速である。
論文参考訳（メタデータ） (2020-10-16T13:27:34Z)
Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文参考訳（メタデータ） (2020-10-12T03:27:07Z)
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)
Pattern Similarity-based Machine Learning Methods for Mid-term Load Forecasting: A Comparative Study [0.0]
パターン類似性に基づく年次電力需要予測手法について検討した。モデルの不可欠な部分は、時系列シーケンスのパターンを用いた時系列表現である。近接モデル,ファジィ近傍モデル,カーネル回帰モデル,一般回帰ニューラルネットワークの4つのモデルを考える。
論文参考訳（メタデータ） (2020-03-03T12:14:36Z)
On the Discrepancy between Density Estimation and Sequence Generation [92.70116082182076]
log-likelihoodは、同じファミリー内のモデルを考えるとき、BLEUと非常に相関している。異なる家族間でのモデルランキングの相関はみられない。
論文参考訳（メタデータ） (2020-02-17T20:13:35Z)

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。