Fugu-MT 論文翻訳(概要): Adaptive Neural Network Ensemble Using Frequency Distribution

論文の概要: Adaptive Neural Network Ensemble Using Frequency Distribution

arxiv url: http://arxiv.org/abs/2210.10360v1
Date: Wed, 19 Oct 2022 08:05:35 GMT
ステータス: 処理完了
システム内更新日: 2022-10-20 15:05:23.359772
Title: Adaptive Neural Network Ensemble Using Frequency Distribution
Title（参考訳）: 周波数分布を用いた適応型ニューラルネットワークアンサンブル
Authors: Ungki Lee, Namwoo Kang
Abstract要約: ニューラルネットワーク(NN)アンサンブルは、NNの大きな予測分散を低減し、予測精度を向上させる。データセットが不十分な高非線形問題に対して、NNモデルの予測精度は不安定になる。本研究は,真の予測値付近に集中することが期待されるコア予測値を同定する周波数分布に基づくアンサンブルを提案する。
参考スコア（独自算出の注目度）: 3.42658286826597
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Neural network (NN) ensembles can reduce large prediction variance of NN and improve prediction accuracy. For highly nonlinear problems with insufficient data set, the prediction accuracy of NN models becomes unstable, resulting in a decrease in the accuracy of ensembles. Therefore, this study proposes a frequency distribution-based ensemble that identifies core prediction values, which are expected to be concentrated near the true prediction value. The frequency distribution-based ensemble classifies core prediction values supported by multiple prediction values by conducting statistical analysis with a frequency distribution, which is based on various prediction values obtained from a given prediction point. The frequency distribution-based ensemble can improve predictive performance by excluding prediction values with low accuracy and coping with the uncertainty of the most frequent value. An adaptive sampling strategy that sequentially adds samples based on the core prediction variance calculated as the variance of the core prediction values is proposed to improve the predictive performance of the frequency distribution-based ensemble efficiently. Results of various case studies show that the prediction accuracy of the frequency distribution-based ensemble is higher than that of Kriging and other existing ensemble methods. In addition, the proposed adaptive sampling strategy effectively improves the predictive performance of the frequency distribution-based ensemble compared with the previously developed space-filling and prediction variance-based strategies.
Abstract（参考訳）: ニューラルネットワーク(NN)アンサンブルは、NNの大きな予測分散を低減し、予測精度を向上させる。データセットが不十分な高非線形問題に対しては、NNモデルの予測精度が不安定になり、アンサンブルの精度が低下する。そこで本研究では,真の予測値付近に集中すると思われるコア予測値を識別する周波数分布に基づくアンサンブルを提案する。周波数分布に基づくアンサンブルは、与えられた予測点から得られた様々な予測値に基づいて、周波数分布で統計解析を行い、複数の予測値が支持するコア予測値を分類する。周波数分布に基づくアンサンブルは、予測値を低い精度で排除し、最も頻繁な値の不確実性に対応することにより予測性能を向上させることができる。周波数分布に基づくアンサンブルの予測性能を向上させるため、コア予測値のばらつきとして算出されたコア予測分散に基づいてサンプルを逐次追加する適応サンプリング戦略を提案する。種々のケーススタディの結果、周波数分布に基づくアンサンブルの予測精度は、Krigingや他の既存のアンサンブル法よりも高いことがわかった。さらに,提案手法は,従来の空間充填法や分散予測法と比較して,周波数分布に基づくアンサンブルの予測性能を効果的に向上する。

関連論文リスト

Conformalized Interval Arithmetic with Symmetric Calibration [9.559062601251464]
我々は,複数の目標の和に対する予測区間に対して,単一目標に対する共形予測区間を開発する。提案手法は, 既存のコンフォメーション手法や非コンフォメーション手法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-08-20T15:27:18Z)
When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文参考訳（メタデータ） (2023-10-17T20:30:16Z)
Conditional validity of heteroskedastic conformal regression [12.905195278168506]
等角予測と分割等角予測は、統計的保証付き予測間隔を推定するための分布自由なアプローチを提供する。近年の研究では、分割共形予測は、限界被覆に着目した場合、最先端の予測間隔を生み出すことが示されている。本稿では,正規化やモンドリアン等式予測などの手法を用いて,予測間隔の構築方法について,新たな光を当てることを試みる。
論文参考訳（メタデータ） (2023-09-15T11:10:46Z)
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)
Distribution-Free Finite-Sample Guarantees and Split Conformal Prediction [0.0]
分割共形予測は、最小分布自由仮定の下で有限サンプル保証を得るための有望な道を表す。 1940年代に開発された分割共形予測と古典的寛容予測との関連性を強調した。
論文参考訳（メタデータ） (2022-10-26T14:12:24Z)
When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文参考訳（メタデータ） (2022-06-16T06:13:53Z)
Aggregating distribution forecasts from deep ensembles [0.0]
本稿では,ニューラルネットワークによる分布予測の集約手法について考察する。予測分布の組み合わせは予測性能を大幅に改善できることを示す。予測密度の線形結合よりも優れた性能を示すディープアンサンブルのための一般量子集約フレームワークを提案する。
論文参考訳（メタデータ） (2022-04-05T15:42:51Z)
CovarianceNet: Conditional Generative Model for Correct Covariance Prediction in Human Motion Prediction [71.31516599226606]
本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
論文参考訳（メタデータ） (2021-09-07T09:38:24Z)
Conformal Prediction Intervals for Neural Networks Using Cross Validation [0.0]
ニューラルネットワークは、教師付き学習問題に対処するために使用される最も強力な非線形モデルの一つである。ニューラルネットワークの予測区間を$k$-foldのクロスバリデーションに基づいて構築するための$k$-fold予測区間法を提案する。
論文参考訳（メタデータ） (2020-06-30T16:23:28Z)
Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文参考訳（メタデータ） (2020-06-26T13:50:19Z)
Balance-Subsampled Stable Prediction [55.13512328954456]
本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
論文参考訳（メタデータ） (2020-06-08T07:01:38Z)

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。