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
- Supervised Score-Based Modeling by Gradient Boosting [49.556736252628745]
本稿では,スコアマッチングを組み合わせた勾配向上アルゴリズムとして,SSM(Supervised Score-based Model)を提案する。
推測時間と予測精度のバランスをとるため,SSMの学習とサンプリングに関する理論的解析を行った。
我々のモデルは、精度と推測時間の両方で既存のモデルより優れています。
論文 参考訳（メタデータ） (2024-11-02T07:06:53Z) - Comparative study of regression vs pairwise models for surrogate-based heuristic optimisation [1.2535250082638645]
本稿では, シュロゲート問題の定式化を, 適合度を近似する回帰モデル(表面シュロゲートモデル)と, 分類モデル(ペアワイズ・シュロゲートモデル)を結合する新しい方法の両方として扱う。
オンライン機械学習に基づくサロゲートモデルを用いる場合の全体探索の性能は、予測モデルの精度だけでなく、正または負のケースに対するバイアスの種類にも依存する。
論文 参考訳（メタデータ） (2024-10-04T13:19:06Z) - Embedding-based statistical inference on generative models [10.948308354932639]
生成モデルの埋め込みに基づく表現に関する結果を、古典的な統計的推論設定に拡張する。
類似」の概念の基盤として視点空間を用いることは、複数のモデルレベルの推論タスクに有効であることを示す。
論文 参考訳（メタデータ） (2024-10-01T22:28:39Z) - Model orthogonalization and Bayesian forecast mixing via Principal Component Analysis [0.0]
多くの場合、混合プロセスで使用されるモデルは類似している。
このような類似または冗長なモデルが存在することは、結果の誤解釈と予測性能の劣化をもたらす可能性がある。
提案するベイズモデル組合せフレームワークにモデル化を加えることで,予測精度が向上し,不確かさの定量化性能に優れることを示す。
論文 参考訳（メタデータ） (2024-05-17T15:01:29Z) - The effectiveness of factorization and similarity blending [0.0]
CF(Collaborative Filtering)は、過去のユーザの好みデータを活用して行動パターンを特定し、カスタムレコメンデーションを予測するテクニックである。
因子分解と類似性に基づくアプローチを組み合わせることで,スタンドアローンモデルにおける誤差の顕著な減少(-9.4%)が期待できることを示す。
本稿では,従来のアルゴリズムの複雑さを一貫して低減する類似性モデルSCSRの新たな拡張を提案する。
論文 参考訳（メタデータ） (2022-09-16T13:11:27Z) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳（メタデータ） (2020-10-25T18:51:15Z) - 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) - 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) - Efficient Ensemble Model Generation for Uncertainty Estimation with
Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。
提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。
また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文 参考訳（メタデータ） (2020-05-21T16:08:38Z) - 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) - Adaptive Correlated Monte Carlo for Contextual Categorical Sequence
Generation [77.7420231319632]
我々は,モンテカルロ (MC) ロールアウトの集合を分散制御のために評価する政策勾配推定器に,カテゴリー列の文脈的生成を適用する。
また,二分木ソフトマックスモデルに相関したMCロールアウトを用いることで,大語彙シナリオにおける高生成コストを低減できることを示す。
論文 参考訳（メタデータ） (2019-12-31T03:01:55Z)
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。