論文の概要: A new BART prior for flexible modeling with categorical predictors

• arxiv url: http://arxiv.org/abs/2211.04459v1
• Date: Tue, 8 Nov 2022 18:52:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 16:54:27.036704
• Title: A new BART prior for flexible modeling with categorical predictors
• Title（参考訳）: カテゴリー予測器を用いたフレキシブルモデリングのための新しいBART
• Authors: Sameer K. Deshpande
• Abstract要約: 決定ノードの左子と右子の両方に複数のレベルを割り当てることができる新しい回帰ツリーと、それ以前の新しい決定ルールを導入する。 野球の例と犯罪の時間的モデリングを用いたflexBARTの有効性を実証する。
• 参考スコア（独自算出の注目度）: 1.0152838128195467
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Default implementations of Bayesian Additive Regression Trees (BART) represent categorical predictors using several binary indicators, one for each level of each categorical predictor. Regression trees built with these indicators partition the levels using a ``remove one a time strategy.'' Unfortunately, the vast majority of partitions of the levels cannot be built with this strategy, severely limiting BART's ability to ``borrow strength'' across groups of levels. We overcome this limitation with a new class of regression tree and a new decision rule prior that can assign multiple levels to both the left and right child of a decision node. Motivated by spatial applications with areal data, we introduce a further decision rule prior that partitions the areas into spatially contiguous regions by deleting edges from random spanning trees of a suitably defined network. We implemented our new regression tree priors in the flexBART package, which, compared to existing implementations, often yields improved out-of-sample predictive performance without much additional computational burden. We demonstrate the efficacy of flexBART using examples from baseball and the spatiotemporal modeling of crime.
• Abstract（参考訳）: Bayesian Additive Regression Trees (BART) のデフォルト実装は、複数のバイナリインジケータを使用してカテゴリ予測を表現している。 これらのインジケータで構築された回帰ツリーは、'`remove one as time Strategy'を使ってレベルを分割する。 残念なことに、この戦略では、ほとんどのレベルの分割が構築できないため、BARTのレベルグループ間での‘ボロー強度’の能力は著しく制限されている。 我々は、決定ノードの左右両方の子に複数のレベルを割り当てることができる新しい階層の回帰木と新しい決定規則によって、この制限を克服した。 本研究では,空間的領域を空間的に連続した領域に分割する決定ルールを,ネットワークのランダムな分布木からエッジを削除することによって導入する。 我々は、flexBARTパッケージに新しい回帰ツリーを実装し、既存の実装と比較して、計算負荷を伴わずに、しばしばサンプル外の予測性能を改善する。 野球の例と犯罪の時空間モデルを用いたflexBARTの有効性を実証する。

関連論文リスト

• Oblique Bayesian additive regression trees [0.5356944479760104]
  BART(Bayesian Additive Regression Tree)の現在の実装は軸整列決定規則に基づいている。 我々は、データ適応型決定ルールを利用するBARTの斜めバージョンを開発する。 斜めのBARTと軸方向のBARTや他の木のアンサンブル手法を体系的に比較し、斜めのBARTが -- 時として -- より優れていたことを発見した。
  論文  参考訳（メタデータ） (2024-11-13T18:29:58Z)
• Learning a Decision Tree Algorithm with Transformers [75.96920867382859]
  メタ学習によってトレーニングされたトランスフォーマーベースのモデルであるMetaTreeを導入し、強力な決定木を直接生成する。 我々は、多くのデータセットに欲求決定木とグローバルに最適化された決定木の両方を適合させ、MetaTreeを訓練して、強力な一般化性能を実現する木のみを生成する。
  論文  参考訳（メタデータ） (2024-02-06T07:40:53Z)
• Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
  大規模未ラベルデータから学ぶための2つの戦略を提案する。 第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。 第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
  論文  参考訳（メタデータ） (2023-07-26T16:19:19Z)
• Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
  本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。 クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。 このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
  論文  参考訳（メタデータ） (2023-05-24T11:05:12Z)
• Theory of Posterior Concentration for Generalized Bayesian Additive Regression Trees [0.685316573653194]
  ベイズ木とその加法的アンサンブルに対する一般化された枠組みについて述べる。 応答分布について十分な条件を導出し, 後部が最小マックスで集中する条件を対数係数まで導出する。
  論文  参考訳（メタデータ） (2023-04-25T00:52:48Z)
• Hierarchical Embedded Bayesian Additive Regression Trees [0.0]
  HE-BARTは、レグレッションツリーのセットの終端ノードレベルにランダムエフェクトを含めることができる。 シミュレーションおよび実世界の例を用いて、HE-BARTは標準的な混合効果モデルのサンプルデータセットの多くに対して優れた予測が得られることを示した。 この論文の今後のバージョンでは、より大きく、より高度なデータセットと構造での使用について概説する。
  論文  参考訳（メタデータ） (2022-04-14T19:56:03Z)
• GP-BART: a novel Bayesian additive regression trees approach using Gaussian processes [1.03590082373586]
  GP-BARTモデル(GP-BART model)は、すべての木間の各終端ノードの予測にGP先行を仮定することで制限に対処するBARTの拡張である。 モデルの有効性は、シミュレーションおよび実世界のデータへの応用を通じて実証され、様々なシナリオにおける従来のモデリング手法のパフォーマンスを上回る。
  論文  参考訳（メタデータ） (2022-04-05T11:18:44Z)
• Improved Branch and Bound for Neural Network Verification via Lagrangian Decomposition [161.09660864941603]
  ニューラルネットワークの入出力特性を公式に証明するためのブランチとバウンド(BaB)アルゴリズムのスケーラビリティを改善します。 活性化に基づく新しい分岐戦略とBaBフレームワークであるブランチとデュアルネットワーク境界(BaDNB)を提案する。 BaDNBは、従来の完全検証システムを大きなマージンで上回り、対数特性で平均検証時間を最大50倍に削減した。
  論文  参考訳（メタデータ） (2021-04-14T09:22:42Z)
• Rethinking Learnable Tree Filter for Generic Feature Transform [71.77463476808585]
  Learnable Tree Filterはセマンティックセグメンテーションのためのモデル構造保存関係に対する顕著なアプローチを示す。 幾何学的制約を緩和するために,マルコフ確率場として再構成して解析を行い,学習可能な不定項を導入する。 セマンティックセグメンテーションでは、ベルとホイッスルなしでCityscapesベンチマークでトップパフォーマンス(82.1% mIoU)を達成しています。
  論文  参考訳（メタデータ） (2020-12-07T07:16:47Z)
• Convex Polytope Trees [57.56078843831244]
  コンベックスポリトープ木(CPT)は、決定境界の解釈可能な一般化によって決定木の系統を拡張するために提案される。 木構造が与えられたとき,木パラメータに対するCPTおよび拡張性のあるエンドツーエンドトレーニングアルゴリズムを効率的に構築する。
  論文  参考訳（メタデータ） (2020-10-21T19:38:57Z)
• Bayesian Additive Regression Trees with Model Trees [0.0]
  モデルツリーBART(MOTR-BART)と呼ばれるBARTの拡張を導入する。 MOTR-BARTは、分数定数ではなく、ノードレベルでの分数線形関数を考える。 提案手法では, 局所的な線形性がより効率的に取得され, BARTと同等以上の性能を達成するために, 木を少なくする。
  論文  参考訳（メタデータ） (2020-06-12T22:19:58Z)

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。