論文の概要: Energy Trees: Regression and Classification With Structured and Mixed-Type Covariates

• arxiv url: http://arxiv.org/abs/2207.04430v2
• Date: Thu, 15 Jun 2023 08:41:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-17 03:53:35.287495
• Title: Energy Trees: Regression and Classification With Structured and Mixed-Type Covariates
• Title（参考訳）: エネルギーツリー:構造的および混合型共変量による回帰と分類
• Authors: Riccardo Giubilei, Tullia Padellini, Pierpaolo Brutti
• Abstract要約: エネルギー木はエネルギー統計を利用して条件推論木の能力を拡張する。 モデルの競争性能を,多変量選択と過度適合に対する頑健性の観点から示す。 また、人間の生物学的データを含む2つの経験的分析を通して、モデルの予測能力を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The increasing complexity of data requires methods and models that can effectively handle intricate structures, as simplifying them would result in loss of information. While several analytical tools have been developed to work with complex data objects in their original form, these tools are typically limited to single-type variables. In this work, we propose energy trees as a regression and classification model capable of accommodating structured covariates of various types. Energy trees leverage energy statistics to extend the capabilities of conditional inference trees, from which they inherit sound statistical foundations, interpretability, scale invariance, and freedom from distributional assumptions. We specifically focus on functional and graph-structured covariates, while also highlighting the model's flexibility in integrating other variable types. Extensive simulation studies demonstrate the model's competitive performance in terms of variable selection and robustness to overfitting. Finally, we assess the model's predictive ability through two empirical analyses involving human biological data. Energy trees are implemented in the R package etree.
• Abstract（参考訳）: データの複雑さが増すためには、複雑な構造を効果的に処理できる方法やモデルが必要となる。 いくつかの分析ツールは、元の形式で複雑なデータオブジェクトを扱うように開発されているが、これらのツールは典型的にはシングルタイプ変数に限定されている。 本研究では,様々なタイプの構造的共変量に対応する回帰分類モデルとして,エネルギーツリーを提案する。 エネルギー木はエネルギー統計を利用して条件推論木の能力を拡張し、そこから音統計の基礎、解釈可能性、スケール不変性、分布仮定からの自由を継承する。 特に関数型とグラフ構造型の共変量に注目し,他の変数型を統合する際のモデルの柔軟性を強調する。 広範なシミュレーション研究により、モデルの競合性能は、変数の選択と過剰適合に対する堅牢性の観点から示される。 最後に, 生体データを含む2つの実験分析により, モデル予測能力を評価する。 エネルギーツリーは r パッケージ etree に実装されている。

関連論文リスト

• Tree-based variational inference for Poisson log-normal models [47.82745603191512]
  階層木は、しばしば近接基準に基づいてエンティティを組織するために使用される。 現在のカウントデータモデルは、この構造化情報を利用していない。 本稿では,PLNモデルの拡張としてPLN-Treeモデルを導入し,階層的カウントデータをモデル化する。
  論文  参考訳（メタデータ） (2024-06-25T08:24:35Z)
• Analyze Additive and Interaction Effects via Collaborative Trees [0.0]
  本稿では,回帰予測のための新しい木モデルであるCollaborative Treesと,そのバッグングバージョンを提案する。 提案した木モデルからの平均不純物減少量を分解して,応答変数に対する特徴の加法効果と相互作用効果を解析する。 木モデル正則化による木のアプローチの総和に基づいて構築された協調木は,一致した追尾に類似した特徴を示す。
  論文  参考訳（メタデータ） (2024-05-19T08:03:13Z)
• Shape Arithmetic Expressions: Advancing Scientific Discovery Beyond Closed-Form Equations [56.78271181959529]
  GAM(Generalized Additive Models)は、変数とターゲットの間の非線形関係をキャプチャできるが、複雑な特徴相互作用をキャプチャすることはできない。 本稿では,GAMのフレキシブルな形状関数と,数学的表現に見られる複雑な特徴相互作用を融合させる形状表現算術(SHARE)を提案する。 また、標準制約を超えた表現の透明性を保証するSHAREを構築するための一連のルールを設計する。
  論文  参考訳（メタデータ） (2024-04-15T13:44:01Z)
• Cyclic Directed Probabilistic Graphical Model: A Proposal Based on Structured Outcomes [0.0]
  本稿では,指向性周期依存を直接キャプチャ可能な確率的グラフィカルモデル(確率的関係ネットワーク)について述べる。 このモデルは確率公理に違反せず、観測データからの学習をサポートする。 特に、確率的推論をサポートし、データ分析やエキスパートおよび設計アプリケーションにおいて、将来的なツールとなる。
  論文  参考訳（メタデータ） (2023-10-25T10:19:03Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• Amortised Inference in Structured Generative Models with Explaining Away [16.92791301062903]
  我々は、複数の変数に対して構造化因子を組み込むために、償却変分推論の出力を拡張した。 パラメータ化された因子は、複雑な図形構造における変分メッセージパッシングと効率的に結合可能であることを示す。 次に、構造化されたモデルと、自由に動くげっ歯類の海馬からの高次元神経スパイク時系列を適合させる。
  論文  参考訳（メタデータ） (2022-09-12T12:52:15Z)
• 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)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Model-agnostic multi-objective approach for the evolutionary discovery of mathematical models [55.41644538483948]
  現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。 合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
  論文  参考訳（メタデータ） (2021-07-07T11:17:09Z)
• Large Scale Prediction with Decision Trees [9.917147243076645]
  本稿では,分類・回帰木(CART)とC4.5手法を用いて構築した決定木が,回帰・分類タスクに一貫性があることを示す。 この分析における重要なステップは、不平等の確立であり、不特定モデルの適合性と複雑性のトレードオフを正確に評価することができる。
  論文  参考訳（メタデータ） (2021-04-28T16:59:03Z)
• ICE-BeeM: Identifiable Conditional Energy-Based Deep Models Based on Nonlinear ICA [11.919315372249802]
  確率モデルの同定可能性理論を考察する。 我々は,独立に修飾されたコンポーネント分析の枠組みにおけるコンポーネントの推定に,我々のモデルを利用できることを示す。
  論文  参考訳（メタデータ） (2020-02-26T14:43:30Z)

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。