論文の概要: Predicting conditional probability distributions of redshifts of Active
Galactic Nuclei using Hierarchical Correlation Reconstruction
- arxiv url: http://arxiv.org/abs/2206.06194v1
- Date: Mon, 13 Jun 2022 14:28:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-14 18:22:13.945116
- Title: Predicting conditional probability distributions of redshifts of Active
Galactic Nuclei using Hierarchical Correlation Reconstruction
- Title(参考訳): 階層的相関再構成を用いた活動銀河核の赤方偏移の確率分布予測
- Authors: Jarek Duda
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.8702432681310399
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While there is a general focus on prediction of values, real data often only
allows to predict conditional probability distributions, with capabilities
bounded by conditional entropy $H(Y|X)$. If additionally estimating
uncertainty, we can treat a predicted value as the center of Gaussian of
Laplace distribution - idealization which can be far from complex conditional
distributions of real data. This article applies Hierarchical Correlation
Reconstruction (HCR) approach to inexpensively predict quite complex
conditional probability distributions (e.g. multimodal): by independent MSE
estimation of multiple moment-like parameters, which allow to reconstruct the
conditional distribution. Using linear regression for this purpose, we get
interpretable models: with coefficients describing contributions of features to
conditional moments. This article extends on the original approach especially
by using Canonical Correlation Analysis (CCA) for feature optimization and l1
"lasso" regularization, focusing on practical problem of prediction of redshift
of Active Galactic Nuclei (AGN) based on Fourth Fermi-LAT Data Release 2 (4LAC)
dataset.
- Abstract(参考訳): 一般に値の予測に焦点が当てられているが、実データは条件付き確率分布のみを予測でき、条件付きエントロピー$H(Y|X)$で制限される。
さらに不確実性を推定すれば、予測値をラプラス分布のガウス中心として扱うことができ、これは実データの複雑な条件分布とはかけ離れた理想化である。
本稿では,複数モーメント様パラメータの独立なMSE推定により,比較的複雑な条件分布(マルチモーダルなど)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。
この目的のために線形回帰を用いて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,第4のfermi-lat data release 2 (4lac) データセットに基づく活動銀河核の赤方偏移予測の実用的問題に着目し,特徴量最適化とl1"lasso"正則化にcanonical correlation analysis (cca) を用いた最初のアプローチを拡張した。
関連論文リスト
- Convergence of Continuous Normalizing Flows for Learning Probability Distributions [10.381321024264484]
連続正規化フロー (Continuous normalizing flow, CNFs) は確率分布を学習するための生成法である。
有限ランダムサンプルからの学習確率分布における線形正則性を持つCNFの理論的性質について検討する。
本稿では,速度推定,離散化誤差,早期停止誤差による誤差を包含する収束解析フレームワークを提案する。
論文 参考訳(メタデータ) (2024-03-31T03:39:04Z) - 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) - Bayesian Renormalization [68.8204255655161]
ベイズ統計的推論にインスパイアされた再正規化に対する完全情報理論的アプローチを提案する。
ベイズ再正規化の主な洞察は、フィッシャー計量が創発的RGスケールの役割を担う相関長を定義することである。
本研究では,ベイズ正規化方式が既存のデータ圧縮法やデータ生成法とどのように関係しているかを考察する。
論文 参考訳(メタデータ) (2023-05-17T18:00:28Z) - 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) - Continuous and Distribution-free Probabilistic Wind Power Forecasting: A
Conditional Normalizing Flow Approach [1.684864188596015]
条件正規化フロー(CNF)に基づく確率的風力予測のためのデータ駆動型手法を提案する。
既存の手法とは対照的に、このアプローチは(非パラメトリックおよび量子的アプローチのように)分布自由であり、連続確率密度を直接生成することができる。
論文 参考訳(メタデータ) (2022-06-06T08:48:58Z) - Distributional Gradient Boosting Machines [77.34726150561087]
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。
論文 参考訳(メタデータ) (2022-04-02T06:32:19Z) - Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。
一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文 参考訳(メタデータ) (2022-02-23T06:11:49Z) - Optimal regularizations for data generation with probabilistic graphical
models [0.0]
経験的に、よく調和された正規化スキームは、推論されたモデルの品質を劇的に改善する。
生成的ペアワイドグラフィカルモデルの最大Aポストエリオーリ(MAP)推論におけるL2とL1の正規化について検討する。
論文 参考訳(メタデータ) (2021-12-02T14:45:16Z) - 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。