Fugu-MT 論文翻訳(概要): A Log-Linear Time Sequential Optimal Calibration Algorithm for Quantized Isotonic L2 Regression

論文の概要: A Log-Linear Time Sequential Optimal Calibration Algorithm for Quantized Isotonic L2 Regression

arxiv url: http://arxiv.org/abs/2206.00744v1
Date: Wed, 1 Jun 2022 20:12:16 GMT
ステータス: 処理完了
システム内更新日: 2022-06-03 13:47:43.897610
Title: A Log-Linear Time Sequential Optimal Calibration Algorithm for Quantized Isotonic L2 Regression
Title（参考訳）: 量子等速L2回帰のための対数線形時間系列最適校正アルゴリズム
Authors: Kaan Gokcesu, Hakan Gokcesu
Abstract要約: 従来の等方性L2回帰解から最適校正量子化推定値を得ることができることを示す。我々は従来のPAVAアルゴリズムを変更し、バッチとシーケンシャルの最適化のためのキャリブレータを作成する。
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: We study the sequential calibration of estimations in a quantized isotonic L2 regression setting. We start by showing that the optimal calibrated quantized estimations can be acquired from the traditional isotonic L2 regression solution. We modify the traditional PAVA algorithm to create calibrators for both batch and sequential optimization of the quantized isotonic regression problem. Our algorithm can update the optimal quantized monotone mapping for the samples observed so far in linear space and logarithmic time per new unordered sample.
Abstract（参考訳）: 量子化された等速L2回帰設定における推定の逐次キャリブレーションについて検討する。まず、従来の等方性L2回帰解から最適な校正量子化推定が得られることを示す。我々は従来のPAVAアルゴリズムを変更し、量子化された等速回帰問題のバッチおよびシーケンシャルな最適化のためのキャリブレータを作成する。我々のアルゴリズムは、線形空間で観測されたサンプルに対する最適な量子化モノトーンマッピングと、新しい非順序標本に対する対数時間を更新することができる。

関連論文リスト

Linear Regression Using Quantum Annealing with Continuous Variables [0.0]
ボソン系は離散近似に頼らずに線形回帰の最適化を容易にする。我々の新しいアプローチの大きな利点は、断熱条件が満たされる限り、キュービット数を増やすことなく精度を確保することができることである。
論文参考訳（メタデータ） (2024-10-11T06:49:09Z)
Stochastic Gradient Descent for Gaussian Processes Done Right [86.83678041846971]
emphdone right -- 最適化とカーネルコミュニティからの具体的な洞察を使用するという意味で -- が、勾配降下は非常に効果的であることを示している。本稿では,直感的に設計を記述し,設計選択について説明する。本手法は,分子結合親和性予測のための最先端グラフニューラルネットワークと同程度にガウス過程の回帰を配置する。
論文参考訳（メタデータ） (2023-10-31T16:15:13Z)
Sharp Calibrated Gaussian Processes [58.94710279601622]
キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
論文参考訳（メタデータ） (2023-02-23T12:17:36Z)
Failure-informed adaptive sampling for PINNs, Part II: combining with re-sampling and subset simulation [6.9476677480730125]
本稿では,FI-PINNの2つの拡張について述べる。最初の拡張は再サンプリング技術と組み合わせることで、新しいアルゴリズムは一定のトレーニングサイズを維持することができる。 2つ目の拡張は、サブセットシミュレーションアルゴリズムを、エラーインジケータを推定するための後続モデルとして提示することである。
論文参考訳（メタデータ） (2023-02-03T04:05:06Z)
Improved conformalized quantile regression [0.0]
共形化量子レグレッション(conformalized Quantile regression)は、共形予測と量子レグレッションの利点を継承する手続きである。そこで本研究では,k-平均を最適化し,k-共形ステップを適用することで,置換の重要性を重み付けした説明変数をクラスタリングする。この改良されたバージョンは、共形量子化回帰の古典的バージョンよりも優れ、異方性に適応していることを示すため、オープンデータセットにおいて両者の予測間隔を広範囲に比較する。
論文参考訳（メタデータ） (2022-07-06T16:54:36Z)
On the Convergence of Stochastic Extragradient for Bilinear Games with Restarted Iteration Averaging [96.13485146617322]
本稿では, ステップサイズが一定であるSEG法の解析を行い, 良好な収束をもたらす手法のバリエーションを示す。平均化で拡張した場合、SEGはナッシュ平衡に確実に収束し、スケジュールされた再起動手順を組み込むことで、その速度が確実に加速されることを証明した。
論文参考訳（メタデータ） (2021-06-30T17:51:36Z)
Self-Tuning Stochastic Optimization with Curvature-Aware Gradient Filtering [53.523517926927894]
サンプルごとのHessian-vector積と勾配を用いて、自己チューニングの二次構造を構築する。モデルに基づく手続きが雑音勾配設定に収束することを証明する。これは自己チューニング二次体を構築するための興味深いステップである。
論文参考訳（メタデータ） (2020-11-09T22:07:30Z)
Adaptive Sampling of Pareto Frontiers with Binary Constraints Using Regression and Classification [0.0]
本稿では,二項制約を持つブラックボックス多目的最適化問題に対する適応最適化アルゴリズムを提案する。本手法は確率的回帰モデルと分類モデルに基づいており,最適化目標のサロゲートとして機能する。また,予想される超体積計算を高速化するために,新しい楕円形トランケーション法を提案する。
論文参考訳（メタデータ） (2020-08-27T09:15:02Z)
Nearly Linear Row Sampling Algorithm for Quantile Regression [54.75919082407094]
データの次元にほぼ線形なサンプル複雑性を持つ量子化損失関数の行サンプリングアルゴリズムを提案する。行サンプリングアルゴリズムに基づいて、量子レグレッションの最も高速なアルゴリズムと、バランスの取れた有向グラフのグラフスペーシフィケーションアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-06-15T13:40:07Z)
Quantile Regularization: Towards Implicit Calibration of Regression Models [30.872605139672086]
2つのCDF間の累積KL分散として定義される新しい量子正規化器に基づく回帰モデルの校正法を提案する。提案手法は,Dropout VI や Deep Ensembles といった手法を用いて学習した回帰モデルのキャリブレーションを大幅に改善することを示す。
論文参考訳（メタデータ） (2020-02-28T16:53:41Z)
Multiscale Non-stationary Stochastic Bandits [83.48992319018147]
本稿では,非定常線形帯域問題に対して,Multiscale-LinUCBと呼ばれる新しいマルチスケール変更点検出法を提案する。実験結果から,提案手法は非定常環境下での他の最先端アルゴリズムよりも優れていた。
論文参考訳（メタデータ） (2020-02-13T00:24:17Z)

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。