Fugu-MT 論文翻訳(概要): Multi-Target XGBoostLSS Regression

論文の概要: Multi-Target XGBoostLSS Regression

arxiv url: http://arxiv.org/abs/2210.06831v1
Date: Thu, 13 Oct 2022 08:26:14 GMT
ステータス: 処理完了
システム内更新日: 2022-10-14 17:01:16.348693
Title: Multi-Target XGBoostLSS Regression
Title（参考訳）: マルチターゲットXGBoostLSS回帰
Authors: Alexander M\"arz
Abstract要約: 本稿では,複数の目標とその依存関係を確率論的回帰設定でモデル化するXGBoostLSSの拡張について述べる。提案手法は,既存のGBMよりも実行時の方が優れており,精度も良好に比較できる。
参考スコア（独自算出の注目度）: 91.3755431537592
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Current implementations of Gradient Boosting Machines are mostly designed for single-target regression tasks and commonly assume independence between responses when used in multivariate settings. As such, these models are not well suited if non-negligible dependencies exist between targets. To overcome this limitation, we present an extension of XGBoostLSS that models multiple targets and their dependencies in a probabilistic regression setting. Empirical results show that our approach outperforms existing GBMs with respect to runtime and compares well in terms of accuracy.
Abstract（参考訳）: 現在のグラデーションブースティングマシンの実装は、主に単一ターゲットの回帰タスク用に設計されており、多変量設定で使用される場合、応答間の独立性を想定している。したがって、対象間に無視できない依存関係が存在する場合、これらのモデルには適さない。この制限を克服するために,複数のターゲットとその依存関係を確率論的回帰設定でモデル化するXGBoostLSSの拡張を提案する。実験の結果,本手法は既存のGBMよりも実行時の方が優れており,精度も良好であることがわかった。

関連論文リスト

Scoring rule nets: beyond mean target prediction in multivariate regression [1.795561427808824]
条件付きCRPSは、CRPSを拡張する厳密な適切なスコアリングルールである。本研究では,合成データと実データの両方において,条件CRPSがMLEより優れていることを示す。
論文参考訳（メタデータ） (2024-09-22T14:09:12Z)
Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
論文参考訳（メタデータ） (2024-06-05T13:36:38Z)
Fitness-based Linkage Learning and Maximum-Clique Conditional Linkage Modelling for Gray-box Optimization with RV-GOMEA [0.552480439325792]
本研究では,適合度に基づくリンク学習と条件付きリンクモデリングを組み合わせたRV-GOMEAを提案する。新たなRV-GOMEAは,ほとんどの問題に対して最善を尽くすだけでなく,最適化時の条件付きリンクモデル学習のオーバーヘッドも無視できることが多い。
論文参考訳（メタデータ） (2024-02-16T15:28:27Z)
Quantile Extreme Gradient Boosting for Uncertainty Quantification [1.7685947618629572]
Extreme Gradient Boosting (XGBoost)は、最も人気のある機械学習(ML)手法の1つである。本稿では,不確実性(QXGBoost)を推定する目的関数として,修正量子回帰を用いたXGBoostの拡張を提案する。提案手法は, 正規および量子的光勾配向上のために生成した不確実性推定値と同等あるいは優れた性能を示した。
論文参考訳（メタデータ） (2023-04-23T19:46:19Z)
Efficiently Controlling Multiple Risks with Pareto Testing [34.83506056862348]
本稿では,多目的最適化と複数仮説テストを組み合わせた2段階プロセスを提案する。自然言語処理(NLP)アプリケーションにおいて,大規模トランスフォーマーモデルの実行を確実に高速化する手法の有効性を実証する。
論文参考訳（メタデータ） (2022-10-14T15:54:39Z)
Training Discrete Deep Generative Models via Gapped Straight-Through Estimator [72.71398034617607]
再サンプリングのオーバーヘッドを伴わずに分散を低減するため, GST (Gapped Straight-Through) 推定器を提案する。この推定子は、Straight-Through Gumbel-Softmaxの本質的な性質に着想を得たものである。実験により,提案したGST推定器は,2つの離散的な深部生成モデリングタスクの強いベースラインと比較して,優れた性能を享受できることが示された。
論文参考訳（メタデータ） (2022-06-15T01:46:05Z)
Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
論文参考訳（メタデータ） (2022-04-13T12:43:12Z)
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)
Likelihood-Free Inference with Deep Gaussian Processes [70.74203794847344]
サーロゲートモデルは、シミュレータ評価の回数を減らすために、可能性のない推論に成功している。本稿では,より不規則な対象分布を扱えるディープガウス過程(DGP)サロゲートモデルを提案する。本実験は,DGPがマルチモーダル分布を持つ目的関数上でGPよりも優れ,単調な場合と同等の性能を維持できることを示す。
論文参考訳（メタデータ） (2020-06-18T14:24:05Z)
Multi-target regression via output space quantization [0.3007949058551534]
MRQと呼ばれる提案手法は、複数の連続目標を1つ以上の離散目標に変換するために出力空間を定量化するアイデアに基づいている。ベンチマークデータセットの大規模なコレクションの実験は、MRQが高度にスケーラブルであり、精度の面で最先端と競合していることを示している。
論文参考訳（メタデータ） (2020-03-22T13:57:40Z)

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。