論文の概要: How to get the most out of Twinned Regression Methods
- arxiv url: http://arxiv.org/abs/2301.01383v1
- Date: Tue, 3 Jan 2023 22:37:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-05 16:06:48.827603
- Title: How to get the most out of Twinned Regression Methods
- Title（参考訳）: Twinned Regression Methodsを最大限に活用する方法
- Authors: Sebastian J. Wetzel
- Abstract要約: 双対回帰法は、元の回帰問題の双対問題を解くために設計されている。
未知のデータポイントのターゲットと既知の複数のアンカーデータポイントとの予測差をアンカーに組み込むことで、元の回帰問題の解を得ることができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Twinned regression methods are designed to solve the dual problem to the
original regression problem, predicting differences between regression targets
rather then the targets themselves. A solution to the original regression
problem can be obtained by ensembling predicted differences between the targets
of an unknown data point and multiple known anchor data points. We explore
different aspects of twinned regression methods: (1) We decompose different
steps in twinned regression algorithms and examine their contributions to the
final performance, (2) We examine the intrinsic ensemble quality, (3) We
combine twin neural network regression with k-nearest neighbor regression to
design a more accurate and efficient regression method, and (4) we develop a
simplified semi-supervised regression scheme.
- Abstract（参考訳）: 双対回帰法は、元の回帰問題に対する双対問題を解くために設計され、回帰対象間の差を予測する。
未知のデータポイントのターゲットと既知の複数のアンカーデータポイントとの予測差をアンカーに組み込むことで、元の回帰問題の解を得ることができる。
双対回帰法について,(1)双対回帰アルゴリズムの異なるステップを分解し,その最終性能への寄与を検討する,(2)本質的アンサンブル品質を検討する,(3)双対ニューラルネットワーク回帰とk-ネアレスト近傍回帰を組み合わせることにより,より高精度で効率的な回帰法を設計する,(4)単純半教師付き回帰スキームを開発する。
関連論文リスト
- Generalized Regression with Conditional GANs [2.4171019220503402]
本稿では,学習データセットにおける特徴ラベルペアと,対応する入力と組み合わせて出力を区別できない予測関数を学習することを提案する。
回帰に対するこのアプローチは、私たちが適合するデータの分布に対する仮定を減らし、表現能力が向上することを示す。
論文 参考訳（メタデータ） (2024-04-21T01:27:47Z) - A Novel Approach in Solving Stochastic Generalized Linear Regression via
Nonconvex Programming [1.6874375111244329]
本稿では,一般化線形回帰モデルについて,確率制約問題として考察する。
提案アルゴリズムの結果は,通常のロジスティック回帰モデルよりも1～2%以上よい結果を得た。
論文 参考訳（メタデータ） (2024-01-16T16:45:51Z) - Anchor Data Augmentation [53.39044919864444]
非線形過パラメータ回帰におけるデータ拡張のための新しいアルゴリズムを提案する。
我々のデータ拡張アルゴリズムは、因果関係に関する文献から借用し、最近提案されたデータ拡張のためのアンカー回帰(AR)法を拡張した。
論文 参考訳（メタデータ） (2023-11-12T21:08:43Z) - Twin Neural Network Improved k-Nearest Neighbor Regression [0.0]
ツインニューラルネットワークレグレッションは、ターゲット自体よりもレグレッションターゲットの違いを予測するために訓練される。
未知のデータポイントのターゲットと既知の複数のアンカーデータポイントとの予測差をアンカーに組み込むことで、元の回帰問題の解を得ることができる。
論文 参考訳（メタデータ） (2023-10-01T13:20:49Z) - A Bayesian Robust Regression Method for Corrupted Data Reconstruction [5.298637115178182]
我々は適応的敵攻撃に抵抗できる効果的なロバスト回帰法を開発した。
まず TRIP (hard Thresholding approach to Robust regression with sImple Prior) アルゴリズムを提案する。
次に、より堅牢なBRHT (robust Bayesian Reweighting regression via Hard Thresholding) アルゴリズムを構築するためにベイズ再重み付け(Bayesian reweighting)というアイデアを用いる。
論文 参考訳（メタデータ） (2022-12-24T17:25:53Z) - Vector-Valued Least-Squares Regression under Output Regularity
Assumptions [73.99064151691597]
最小二乗回帰問題を無限次元出力で解くために,還元ランク法を提案し,解析する。
提案手法の学習バウンダリを導出し、フルランク手法と比較して統計的性能の設定を改善する研究を行う。
論文 参考訳（メタデータ） (2022-11-16T15:07:00Z) - Poseur: Direct Human Pose Regression with Transformers [119.79232258661995]
単一画像からの2次元人間のポーズ推定に対する直接回帰に基づくアプローチを提案する。
私たちのフレームワークはエンドツーエンドの差別化が可能で、キーポイント間の依存関係を自然に活用することを学びます。
我々のアプローチは、最も優れたヒートマップベースのポーズ推定手法と比較して好意的に機能する最初の回帰ベースのアプローチである。
論文 参考訳（メタデータ） (2022-01-19T04:31:57Z) - Human Pose Regression with Residual Log-likelihood Estimation [48.30425850653223]
本稿では,Residual Log-likelihood Estimation (RLE) を用いた新たな回帰パラダイムを提案する。
RLEは、トレーニングプロセスを容易にするために、未参照の基盤となる分布ではなく、分布の変化を学習する。
従来の回帰パラダイムと比較して、RLEによる回帰はテスト時間オーバーヘッドを伴わずに、MSCOCOに12.4mAPの改善をもたらす。
論文 参考訳（メタデータ） (2021-07-23T15:06:31Z) - Regression Bugs Are In Your Model! Measuring, Reducing and Analyzing
Regressions In NLP Model Updates [68.09049111171862]
この研究は、NLPモデル更新における回帰エラーの定量化、低減、分析に重点を置いている。
回帰フリーモデル更新を制約付き最適化問題に定式化する。
モデルアンサンブルが回帰を減らす方法を実証的に分析します。
論文 参考訳（メタデータ） (2021-05-07T03:33:00Z) - A Hypergradient Approach to Robust Regression without Correspondence [85.49775273716503]
本稿では,入力データと出力データとの対応が不十分な回帰問題について考察する。
ほとんどの既存手法はサンプルサイズが小さい場合にのみ適用できる。
シャッフル回帰問題に対する新しい計算フレームワークであるROBOTを提案する。
論文 参考訳（メタデータ） (2020-11-30T21:47:38Z)
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。