論文の概要: Bayesian Sparse Regression for Mixed Multi-Responses with Application to
Runtime Metrics Prediction in Fog Manufacturing
- arxiv url: http://arxiv.org/abs/2210.04811v1
- Date: Mon, 10 Oct 2022 16:14:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 18:57:05.108082
- Title: Bayesian Sparse Regression for Mixed Multi-Responses with Application to
Runtime Metrics Prediction in Fog Manufacturing
- Title（参考訳）: 混合応答に対するベイジアンスパース回帰とファグ製造における実行量予測への応用
- Authors: Xiaoyu Chen, Xiaoning Kang, Ran Jin, and Xinwei Deng
- Abstract要約: フォッグ製造は、分散計算Fogユニットを通じて従来の製造システムを大幅に強化することができる。
予測オフロード手法は,実行時のパフォーマンス指標の正確な予測と不確かさの定量化に大きく依存していることが知られている。
本稿では,多変量混合応答に対するベイジアンスパース回帰法を提案し,実行時性能指標の予測を強化する。
- 参考スコア（独自算出の注目度）: 6.288767115532775
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Fog manufacturing can greatly enhance traditional manufacturing systems
through distributed Fog computation units, which are governed by predictive
computational workload offloading methods under different Industrial Internet
architectures. It is known that the predictive offloading methods highly depend
on accurate prediction and uncertainty quantification of runtime performance
metrics, containing multivariate mixed-type responses (i.e., continuous,
counting, binary). In this work, we propose a Bayesian sparse regression for
multivariate mixed responses to enhance the prediction of runtime performance
metrics and to enable the statistical inferences. The proposed method considers
both group and individual variable selection to jointly model the mixed types
of runtime performance metrics. The conditional dependency among multiple
responses is described by a graphical model using the precision matrix, where a
spike-and-slab prior is used to enable the sparse estimation of the graph. The
proposed method not only achieves accurate prediction, but also makes the
predictive model more interpretable with statistical inferences on model
parameters and prediction in the Fog manufacturing. A simulation study and a
real case example in a Fog manufacturing are conducted to demonstrate the
merits of the proposed model.
- Abstract（参考訳）: フォグ製造は、異なる産業用インターネットアーキテクチャの下で予測的な計算負荷オフロード手法によって制御される分散フォグ計算ユニットを通じて、従来の製造システムを大幅に強化することができる。
予測オフロード法は、多変量混合型応答(連続、カウント、バイナリ)を含むランタイムパフォーマンスメトリクスの正確な予測と不確実性の定量化に大きく依存していることが知られている。
本研究では,多変量混合応答に対するベイズ的スパース回帰を提案し,実行時性能指標の予測を強化し,統計的推測を可能にする。
提案手法は,実行時性能指標の混合型をモデル化するために,グループ選択と個別変数選択の両方を考慮する。
複数の応答間の条件依存性を精度行列を用いてグラフィカルモデルにより記述し、グラフのスパース推定を可能にするためにスパイク・アンド・スラブ前処理を用いる。
提案手法は, 予測精度の向上だけでなく, モデルパラメータの統計的推論やフォグ製造における予測によって, 予測モデルをより解釈しやすくする。
霧製造におけるシミュレーション研究と実例を用いて,提案モデルの有効性を実証する。
関連論文リスト
- Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳（メタデータ） (2023-09-02T01:27:53Z) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳（メタデータ） (2023-08-03T12:43:21Z) - Online machine-learning forecast uncertainty estimation for sequential
data assimilation [0.0]
予測の不確実性の定量化は、最先端の数値予測とデータ同化システムの重要な側面である。
本研究では、状態依存予測の不確実性を推定する畳み込みニューラルネットワークに基づく機械学習手法を提案する。
ハイブリッドデータ同化法は,アンサンブルが比較的小さい場合に,アンサンブルカルマンフィルタと同等の性能を示す。
論文 参考訳（メタデータ） (2023-05-12T19:23:21Z) - Generative machine learning methods for multivariate ensemble
post-processing [2.266704492832475]
生成機械学習に基づく非パラメトリックなデータ駆動分散回帰モデルを提案する。
2つのケーススタディにおいて、我々の生成モデルは最先端の手法よりも大幅に改善されている。
論文 参考訳（メタデータ） (2022-09-26T09:02:30Z) - 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) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳（メタデータ） (2022-02-07T21:37:29Z) - Autoregressive Quantile Flows for Predictive Uncertainty Estimation [7.184701179854522]
高次元変数上の確率モデルの柔軟なクラスである自己回帰量子フローを提案する。
これらのモデルは、適切なスコアリングルールに基づいて、新しい目的を用いて訓練された自己回帰フローの例である。
論文 参考訳（メタデータ） (2021-12-09T01:11:26Z) - Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。
提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
論文 参考訳（メタデータ） (2021-06-07T17:44:49Z) - Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic
Regression [51.770998056563094]
PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。
既存の最先端手法と比較してPGBMの利点を実証的に示す。
論文 参考訳（メタデータ） (2021-06-03T08:32:13Z) - A similarity-based Bayesian mixture-of-experts model [0.5156484100374058]
多変量回帰問題に対する新しい非パラメトリック混合実験モデルを提案する。
条件付きモデルを用いて、サンプル外入力の予測は、観測された各データポイントと類似性に基づいて行われる。
混合物のパラメータと距離測定値に基づいて後部推論を行う。
論文 参考訳（メタデータ） (2020-12-03T18:08:30Z) - Nonparametric Conditional Density Estimation In A Deep Learning
Framework For Short-Term Forecasting [0.34410212782758043]
多くの機械学習技術は、対象変数の条件分布の単一点予測を与える。
本研究では,条件分布全体を同時に推定し,柔軟に機械学習技術を組み込む技術を提案する。
論文 参考訳（メタデータ） (2020-08-17T22:31:19Z)
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。