Fugu-MT 論文翻訳(概要): Random forests for binary geospatial data

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)
Joint Bayesian Inference of Graphical Structure and Parameters with a Single Generative Flow Network [59.79008107609297]
本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
論文参考訳（メタデータ） (2023-05-30T19:16:44Z)
Neural networks for geospatial data [0.0]
NN-GLSは、GPモデルの非線形平均に対する新しいニューラルネットワーク推定アルゴリズムである。 NN-GLSはグラフニューラルネットワーク(GNN)の特殊型として表現されていることを示す。理論的には、NN-GLSは不規則に観測された空間相関データプロセスに一貫性があることが示されている。
論文参考訳（メタデータ） (2023-04-18T17:52:23Z)
ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
論文参考訳（メタデータ） (2022-08-18T16:07:59Z)
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)
Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文参考訳（メタデータ） (2020-09-29T12:50:33Z)
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)
Deep Gaussian Markov Random Fields [17.31058900857327]
GMRFと畳み込みニューラルネットワーク(CNN)の正式な接続を確立する。共通GMRFは、データから潜伏変数への逆写像が1層線形CNNによって与えられる生成モデルの特別な場合である。本稿では,オートディフや変分推論などの確立したツールが,深部GMRFの簡易かつ効率的な推論と学習にどのように利用できるかを述べる。
論文参考訳（メタデータ） (2020-02-18T10:06:39Z)

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。