論文の概要: Copulaboost: additive modeling with copula-based model components
- arxiv url: http://arxiv.org/abs/2208.04669v1
- Date: Tue, 9 Aug 2022 11:24:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-10 13:08:53.183253
- Title: Copulaboost: additive modeling with copula-based model components
- Title(参考訳): copulaboost: copulaベースのモデルコンポーネントによる加法モデリング
- Authors: Simon Boge Brant, Ingrid Hob{\ae}k Haff
- Abstract要約: 本稿では,ペアコプラ構造に基づくモデル成分を用いた一般化加法モデルを提案する。
提案手法は,他の手法よりも優れている,あるいは同等の予測性能を有することを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a type of generalised additive models with of model components
based on pair-copula constructions, with prediction as a main aim. The model
components are designed such that our model may capture potentially complex
interaction effects in the relationship between the response covariates. In
addition, our model does not require discretisation of continuous covariates,
and is therefore suitable for problems with many such covariates. Further, we
have designed a fitting algorithm inspired by gradient boosting, as well as
efficient procedures for model selection and evaluation of the model
components, through constraints on the model space and approximations, that
speed up time-costly computations. In addition to being absolutely necessary
for our model to be a realistic alternative in higher dimensions, these
techniques may also be useful as a basis for designing efficient models
selection algorithms for other types of copula regression models. We have
explored the characteristics of our method in a simulation study, in particular
comparing it to natural alternatives, such as logic regression, classic
boosting models and penalised logistic regression. We have also illustrated our
approach on the Wisconsin breast cancer dataset and on the Boston housing
dataset. The results show that our method has a prediction performance that is
either better than or comparable to the other methods, even when the proportion
of discrete covariates is high.
- Abstract(参考訳): 本稿では,ペアコプラ構成に基づくモデル成分の一般化加法モデルの提案を行い,予測を主目的とする。
モデルコンポーネントは、応答共変量の関係において、モデルが潜在的に複雑な相互作用効果を捉えるように設計されている。
さらに,本モデルは連続共変量の離散化を必要とせず,多くの共変量の問題に適用できる。
さらに,モデル空間と近似の制約により,モデル成分のモデル選択と評価のための効率的な手順とともに,勾配ブースティングに着想を得たフィッティングアルゴリズムを考案し,時間的コストのかかる計算を高速化した。
モデルがより高次元で現実的な代替となるために絶対必要であるのに加えて、これらの手法は、他のタイプのコプラ回帰モデルのための効率的なモデル選択アルゴリズムを設計する基盤として有用かもしれない。
本研究では,本手法の特性について,特に論理回帰,古典的ブースティングモデル,対数回帰といった自然法と比較したシミュレーション研究で検討した。
ウィスコンシン州の乳がんデータセットとボストンの住宅データセットにも、私たちのアプローチを例示しています。
その結果, 離散共変量の割合が高い場合であっても, 予測性能が他の手法より優れているか同等であることがわかった。
関連論文リスト
- BART-SIMP: a novel framework for flexible spatial covariate modeling and
prediction using Bayesian additive regression trees [0.0]
本稿では,ガウス過程空間モデルとベイズ加法回帰木(BART)モデルを組み合わせた新しい手法を提案する。
マルコフ連鎖モンテカルロとIntegrated Nested Laplace Approximation (INLA)技術を組み合わせることにより、アプローチの計算負担を低減させる。
本研究では,本手法の性能をシミュレーションを用いて検討し,ケニアの家庭クラスタのサンプルから収集した人文的応答を予測するモデルを用いた。
論文 参考訳(メタデータ) (2023-09-23T05:35:17Z) - When to Update Your Model: Constrained Model-based Reinforcement
Learning [50.74369835934703]
モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。
続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。
さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
論文 参考訳(メタデータ) (2022-10-15T17:57:43Z) - 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) - Split Modeling for High-Dimensional Logistic Regression [0.2676349883103404]
短時間コンパイルしたアンサンブルロジスティック分類モデルに対して,新しい手法を提案する。
本手法は,予測精度に優れたバイアスオフの活用法を学習する。
提案手法を実装したオープンソースソフトウェアライブラリを議論する。
論文 参考訳(メタデータ) (2021-02-17T05:57:26Z) - On Statistical Efficiency in Learning [37.08000833961712]
モデルフィッティングとモデル複雑性のバランスをとるためのモデル選択の課題に対処する。
モデルの複雑さを順次拡大し、選択安定性を高め、コストを削減するオンラインアルゴリズムを提案します。
実験の結果, 提案手法は予測能力が高く, 計算コストが比較的低いことがわかった。
論文 参考訳(メタデータ) (2020-12-24T16:08:29Z) - Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。
AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。
本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文 参考訳(メタデータ) (2020-10-24T07:01:24Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳(メタデータ) (2020-10-05T20:03:13Z) - Control as Hybrid Inference [62.997667081978825]
本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。
連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
論文 参考訳(メタデータ) (2020-07-11T19:44:09Z) - Semi-nonparametric Latent Class Choice Model with a Flexible Class
Membership Component: A Mixture Model Approach [6.509758931804479]
提案したモデルは、従来のランダムユーティリティ仕様に代わるアプローチとして混合モデルを用いて潜在クラスを定式化する。
その結果,混合モデルにより潜在クラス選択モデル全体の性能が向上した。
論文 参考訳(メタデータ) (2020-07-06T13:19:26Z) - Amortized Bayesian model comparison with evidential deep learning [0.12314765641075436]
本稿では,専門的なディープラーニングアーキテクチャを用いたベイズモデルの比較手法を提案する。
提案手法は純粋にシミュレーションベースであり,観測された各データセットに対して,すべての代替モデルを明示的に適合させるステップを回避している。
提案手法は,本研究で検討した事例に対して,精度,キャリブレーション,効率の点で優れた結果が得られることを示す。
論文 参考訳(メタデータ) (2020-04-22T15:15:46Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳(メタデータ) (2020-03-04T00:44:57Z)
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。