論文の概要: Ordinal Regression via Binary Preference vs Simple Regression: Statistical and Experimental Perspectives

• arxiv url: http://arxiv.org/abs/2207.02454v1
• Date: Wed, 6 Jul 2022 05:52:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-08 00:22:30.632220
• Title: Ordinal Regression via Binary Preference vs Simple Regression: Statistical and Experimental Perspectives
• Title（参考訳）: 二項選好による常態回帰と単純回帰:統計的・実験的視点
• Authors: Bin Su, Shaoguang Mao, Frank Soong, Zhiyong Wu
• Abstract要約: 入力刺激の主観的平均オピニオンスコア(MOS)を自動的に予測するために,アンカード参照サンプル(ORARS)を用いた正規回帰法が提案されている。 訓練されたバイナリ分類器は、どのサンプル、テストまたはアンカーが統計的に優れているかを予測するために使用される。
• 参考スコア（独自算出の注目度）: 11.969202112011963
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ordinal regression with anchored reference samples (ORARS) has been proposed for predicting the subjective Mean Opinion Score (MOS) of input stimuli automatically. The ORARS addresses the MOS prediction problem by pairing a test sample with each of the pre-scored anchored reference samples. A trained binary classifier is then used to predict which sample, test or anchor, is better statistically. Posteriors of the binary preference decision are then used to predict the MOS of the test sample. In this paper, rigorous framework, analysis, and experiments to demonstrate that ORARS are advantageous over simple regressions are presented. The contributions of this work are: 1) Show that traditional regression can be reformulated into multiple preference tests to yield a better performance, which is confirmed with simulations experimentally; 2) Generalize ORARS to other regression problems and verify its effectiveness; 3) Provide some prerequisite conditions which can insure proper application of ORARS.
• Abstract（参考訳）: 入力刺激の主観的平均評価スコア(mos)を自動的に予測するためにアンカード参照サンプル(orar)を用いた順序回帰が提案されている。 ORARSは、テストサンプルと事前にマークされたアンカード参照サンプルをペアにすることで、MOS予測問題に対処する。 訓練されたバイナリ分類器は、どのサンプル、テストまたはアンカーが統計的に優れているかを予測するために使用される。 次に、二分選好決定の後続者がテストサンプルのMOSを予測するために使用される。 本稿では,単純な回帰よりもorarが有利であることを示すための厳密なフレームワーク,解析,実験について述べる。 この作品の貢献は次のとおりである。 1) 従来の回帰を複数の選好テストに再構成して、より良い性能が得られることを示し、シミュレーションで確認する。 2) ORARSを他の回帰問題に一般化し,その有効性を検証する。 3) ORARSの適切な適用を保証できる前提条件の提供。

関連論文リスト

• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• Engression: Extrapolation through the Lens of Distributional Regression [2.519266955671697]
  我々は、エングレースと呼ばれるニューラルネットワークに基づく分布回帰手法を提案する。 エングレスモデル(engression model)は、適合した条件分布からサンプリングできるという意味で生成され、高次元結果にも適している。 一方、最小二乗法や量子回帰法のような従来の回帰手法は、同じ仮定の下では不十分である。
  論文  参考訳（メタデータ） (2023-07-03T08:19:00Z)
• Detecting Adversarial Data by Probing Multiple Perturbations Using Expected Perturbation Score [62.54911162109439]
  逆方向検出は、自然分布と逆方向分布の差に基づいて、与えられたサンプルが逆方向であるかどうかを判定することを目的としている。 本研究では,様々な摂動後の標本の予測スコアであるEPS(pre expected perturbation score)を提案する。 EPSに基づく最大平均誤差(MMD)を,試験試料と自然試料との差を測定する指標として開発する。
  論文  参考訳（メタデータ） (2023-05-25T13:14:58Z)
• Logistic Regression Equivalence: A Framework for Comparing Logistic Regression Models Across Populations [4.518012967046983]
  本研究は, 個体群差に対する既定寛容レベルの同値試験が, 推論の精度を高めることを論じる。 診断データについては、等価モデルと等価でないモデルの例を示す。
  論文  参考訳（メタデータ） (2023-03-23T15:12:52Z)
• On the Theories Behind Hard Negative Sampling for Recommendation [51.64626293229085]
  ハードネガティブサンプリング(HNS)を効果的に活用するための2つの洞察に富んだガイドラインを提供する。 パーソナライズされたランク付け(BPR)学習者におけるHNSの利用は、一方通行部分AUC(OPAUC)の最適化と等価であることを示す。 これらの分析は、初めてトップKレコメンデーションパフォーマンスを最適化するHNSの理論的基盤を確立する。
  論文  参考訳（メタデータ） (2023-02-07T13:57:03Z)
• Boost Test-Time Performance with Closed-Loop Inference [85.43516360332646]
  そこで本研究では,モデル性能を高めるために,ループ方式でハードクラス化試験サンプルを予測することを提案する。 まず、追加の推論ループを必要とするハードクラス化テストサンプルを識別するためにフィルタリング基準を考案する。 各ハードサンプルに対して、モデルのキャリブレーションを行うために、元の上位$K$予測に基づいて補助学習タスクを構築する。
  論文  参考訳（メタデータ） (2022-03-21T10:20:21Z)
• AdaPT-GMM: Powerful and robust covariate-assisted multiple testing [0.7614628596146599]
  偽発見率(FDR)制御を用いた複数検定の実証的ベイズ法を提案する。 本手法は,アダプティブp値しきい値法(AdaPT)をマスク方式の一般化により洗練する。 我々は、AdaPT-GMMと呼ばれる新しい手法が一貫して高出力を実現することを、広範囲にわたるシミュレーションと実データ例で示す。
  論文  参考訳（メタデータ） (2021-06-30T05:06:18Z)
• Regression Bugs Are In Your Model! Measuring, Reducing and Analyzing Regressions In NLP Model Updates [68.09049111171862]
  この研究は、NLPモデル更新における回帰エラーの定量化、低減、分析に重点を置いている。 回帰フリーモデル更新を制約付き最適化問題に定式化する。 モデルアンサンブルが回帰を減らす方法を実証的に分析します。
  論文  参考訳（メタデータ） (2021-05-07T03:33:00Z)
• On Model Identification and Out-of-Sample Prediction of Principal Component Regression: Applications to Synthetic Controls [20.96904429337912]
  固定設計による高次元誤差変数設定における主成分回帰(PCR)の解析を行う。 我々は、最もよく知られたレートで改善される非漸近的なアウト・オブ・サンプル予測の保証を確立する。
  論文  参考訳（メタデータ） (2020-10-27T17:07:36Z)
• 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)
• Safe Testing [0.9634859579172255]
  e-value に基づいた仮説テスト理論を開発した。 e値に基づくテストは安全、すなわちType-Iエラーの保証を保持する。
  論文  参考訳（メタデータ） (2019-06-18T20:39:27Z)

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。