論文の概要: Random forests for binary geospatial data
- arxiv url: http://arxiv.org/abs/2302.13828v1
- Date: Mon, 27 Feb 2023 14:34:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-28 15:20:32.043815
- Title: Random forests for binary geospatial data
- Title(参考訳): 二元地理空間データのためのランダム森林
- Authors: Arkajyoti Saha and Abhirup Datta
- Abstract要約: 本研究では、非線形共変量効果を推定するためにランダムフォレストを用いたRF-GPと、空間ランダム効果をモデル化するためのガウス過程を提案する。
RF-GPは、シミュレーションデータと実世界のデータの両方において、推定と予測のための既存のRF法より優れている。
空間的Mat'ern GPや自己回帰過程のような一般的な選択を含む、$beta$-mixing二元過程の一般クラスに対するRF-GPの整合性を確立する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Binary geospatial data is commonly analyzed with generalized linear mixed
models, specified with a linear fixed covariate effect and a Gaussian Process
(GP)-distributed spatial random effect, relating to the response via a link
function. The assumption of linear covariate effects is severely restrictive.
Random Forests (RF) are increasingly being used for non-linear modeling of
spatial data, but current extensions of RF for binary spatial data depart the
mixed model setup, relinquishing inference on the fixed effects and other
advantages of using GP. We propose RF-GP, using Random Forests for estimating
the non-linear covariate effect and Gaussian Processes for modeling the spatial
random effects directly within the generalized mixed model framework. We
observe and exploit equivalence of Gini impurity measure and least squares loss
to propose an extension of RF for binary data that accounts for the spatial
dependence. We then propose a novel link inversion algorithm that leverages the
properties of GP to estimate the covariate effects and offer spatial
predictions. RF-GP outperforms existing RF methods for estimation and
prediction in both simulated and real-world data. We establish consistency of
RF-GP for a general class of $\beta$-mixing binary processes that includes
common choices like spatial Mat\'ern GP and autoregressive processes.
- Abstract(参考訳): 二元的地理空間データは、線形固定共変量効果で定義された一般化線形混合モデルと、リンク関数による応答に関するガウス過程(GP)分布空間ランダム効果でよく解析される。
線形共変量効果の仮定は厳しく制限される。
ランダムフォレスト(rf)は空間データの非線形モデリングにますます利用されているが、バイナリ空間データに対するrfの現在の拡張は混合モデルの設定から外れ、固定効果に対する推論やgpを使用する他の利点を放棄する。
本研究では,ランダムフォレストを用いて非線形共変量効果とガウス過程を推定し,一般化混合モデルフレームワーク内で直接空間的ランダム効果をモデル化するrf-gpを提案する。
我々は,gini不純物測度と最小二乗損失の等価性を観測・活用し,空間依存性を考慮したバイナリデータに対するrfの拡張を提案する。
次に,GPの特性を利用して共変量効果を推定し,空間的予測を行う新しいリンク反転アルゴリズムを提案する。
RF-GPは、シミュレーションデータと実世界のデータの両方において、推定と予測のための既存のRF法より優れている。
空間的Mat\'ern GPや自己回帰過程のような一般的な選択を含む、$\beta$-mixing二元過程の一般クラスに対するRF-GPの整合性を確立する。
関連論文リスト
- Robust Gaussian Processes via Relevance Pursuit [17.39376866275623]
本稿では,データポイント固有ノイズレベルを推定することにより,スパースアウトレーヤに対するロバスト性を実現するGPモデルを提案する。
我々は,データポイント固有ノイズ分散において,関連する対数限界確率が強く抑制されるようなパラメータ化が可能であることを,驚くべきことに示している。
論文 参考訳(メタデータ) (2024-10-31T17:59:56Z) - Sparse Variational Contaminated Noise Gaussian Process Regression with Applications in Geomagnetic Perturbations Forecasting [4.675221539472143]
大規模なデータセットに正規ノイズが汚染されたスパースガウス過程回帰モデルを適用するためのスケーラブルな推論アルゴリズムを提案する。
提案手法は, 人工ニューラルネットワークベースラインと比較して, 類似のカバレッジと精度の予測間隔が短いことを示す。
論文 参考訳(メタデータ) (2024-02-27T15:08:57Z) - Gaussian Graphical Models as an Ensemble Method for Distributed Gaussian
Processes [8.4159776055506]
我々はガウスの専門家の予測をガウス図形モデル(GGM)により集約する新しいアプローチを提案する。
まず、予測最大化(EM)アルゴリズムを用いて、潜伏変数と観測変数の合同分布を推定する。
我々の新しい手法は他の最先端のDGP手法よりも優れている。
論文 参考訳(メタデータ) (2022-02-07T15:22:56Z) - BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。
近年の進歩により、観測データからDAGの有効最大点推定が可能となった。
線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
論文 参考訳(メタデータ) (2021-12-06T03:35:21Z) - Non-Gaussian Gaussian Processes for Few-Shot Regression [71.33730039795921]
乱変数ベクトルの各成分上で動作し,パラメータを全て共有する可逆なODEベースのマッピングを提案する。
NGGPは、様々なベンチマークとアプリケーションに対する競合する最先端のアプローチよりも優れています。
論文 参考訳(メタデータ) (2021-10-26T10:45:25Z) - On the Double Descent of Random Features Models Trained with SGD [78.0918823643911]
勾配降下(SGD)により最適化された高次元におけるランダム特徴(RF)回帰特性について検討する。
本研究では, RF回帰の高精度な非漸近誤差境界を, 定常および適応的なステップサイズSGD設定の下で導出する。
理論的にも経験的にも二重降下現象を観察する。
論文 参考訳(メタデータ) (2021-10-13T17:47:39Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳(メタデータ) (2021-07-05T12:44:39Z) - Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。
AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。
本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文 参考訳(メタデータ) (2020-10-24T07:01:24Z) - Improving predictions of Bayesian neural nets via local linearization [79.21517734364093]
ガウス・ニュートン近似は基礎となるベイズニューラルネットワーク(BNN)の局所線形化として理解されるべきである。
この線形化モデルを後部推論に使用するので、元のモデルではなく、この修正モデルを使用することも予測すべきである。
この修正された予測を"GLM predictive"と呼び、Laplace近似の共通不適合問題を効果的に解決することを示す。
論文 参考訳(メタデータ) (2020-08-19T12:35:55Z) - Random Forests for dependent data [1.5469452301122173]
本稿では,RFの新たな拡張であるRF-GLSを提案する。
この拡張の鍵は、大域的OLS最適化として回帰木における局所的な決定の等価表現である。
RF-GLSによるRFの予測と予測の精度向上を実験的に実証した。
論文 参考訳(メタデータ) (2020-07-30T12:36:09Z)
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。