論文の概要: A Penalized Poisson Likelihood Approach to High-Dimensional
Semi-Parametric Inference for Doubly-Stochastic Point Processes
- arxiv url: http://arxiv.org/abs/2306.06756v1
- Date: Sun, 11 Jun 2023 19:48:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-13 16:58:35.409219
- Title: A Penalized Poisson Likelihood Approach to High-Dimensional
Semi-Parametric Inference for Doubly-Stochastic Point Processes
- Title(参考訳): 二重確率点過程の高次元半パラメトリック推論に対するペナルテッド・ポアソン法
- Authors: Si Cheng, Jon Wakefield, Ali Shojaie
- Abstract要約: 二重確率点過程は、ランダム強度関数で条件付けられた不均一過程として空間領域上の事象の発生をモデル化する。
二重確率点プロセスの実装は、計算的に要求され、しばしば理論上の保証が制限され、または制限的な仮定に依存している。
- 参考スコア(独自算出の注目度): 3.3732000156613635
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Doubly-stochastic point processes model the occurrence of events over a
spatial domain as an inhomogeneous Poisson process conditioned on the
realization of a random intensity function. They are flexible tools for
capturing spatial heterogeneity and dependence. However, implementations of
doubly-stochastic spatial models are computationally demanding, often have
limited theoretical guarantee, and/or rely on restrictive assumptions. We
propose a penalized regression method for estimating covariate effects in
doubly-stochastic point processes that is computationally efficient and does
not require a parametric form or stationarity of the underlying intensity. We
establish the consistency and asymptotic normality of the proposed estimator,
and develop a covariance estimator that leads to a conservative statistical
inference procedure. A simulation study shows the validity of our approach
under less restrictive assumptions on the data generating mechanism, and an
application to Seattle crime data demonstrates better prediction accuracy
compared with existing alternatives.
- Abstract(参考訳): 二重確率点過程は、空間領域上の事象をランダム強度関数の実現を条件とした不均一なポアソン過程としてモデル化する。
空間的不均一性と依存を捉える柔軟なツールである。
しかし、二重論的空間モデルの実装は計算上必要であり、理論的な保証や制限的な仮定に依存することが多い。
本研究では,計算効率が高く,基本強度のパラメトリック形式や定常性を必要としない2重確率点過程における共変量効果を推定するためのペナルタライズド回帰法を提案する。
提案する推定器の整合性と漸近的正規性を確立し,保存的統計的推定手順につながる共分散推定器を開発する。
シミュレーション研究は,データ生成機構の制約の少ない仮定下での手法の有効性を示し,シアトル犯罪データへの適用により,従来の手法と比較して予測精度が向上することを示す。
関連論文リスト
- Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳(メタデータ) (2023-09-28T13:04:11Z) - Quantifying predictive uncertainty of aphasia severity in stroke
patients with sparse heteroscedastic Bayesian high-dimensional regression [49.504432873468254]
高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。
本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
論文 参考訳(メタデータ) (2023-09-15T22:06:29Z) - Uncertainty Quantification for Traffic Forecasting: A Unified Approach [21.556559649467328]
不確実性は時系列予測タスクに不可欠な考慮事項である。
本研究では,交通予測の不確かさの定量化に焦点をあてる。
STUQ(Deep S-Temporal Uncertainity Quantification)を開発した。
論文 参考訳(メタデータ) (2022-08-11T15:21:53Z) - Spatially-Varying Bayesian Predictive Synthesis for Flexible and
Interpretable Spatial Prediction [6.07227513262407]
本研究では,空間的ベイズ予測合成と呼ばれる空間的不確かさを捉える手法を提案する。
提案した空間ベイズ予測合成は,標準的な空間モデルや高度な機械学習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) (2022-03-10T07:16:29Z) - Probabilistic learning inference of boundary value problem with
uncertainties based on Kullback-Leibler divergence under implicit constraints [0.0]
本稿では,境界値問題に対する後続確率モデルを事前確率モデルから推定できる確率論的学習推定法を提案する。
制約を表す暗黙マッピングの統計的代理モデルを導入する。
第2部では、提案した理論を説明するために応用を提示し、また、不均一な線形弾性媒体の3次元均質化への寄与も示している。
論文 参考訳(メタデータ) (2022-02-10T16:00:10Z) - Semi-Supervised Quantile Estimation: Robust and Efficient Inference in
High Dimensional Settings [0.07031569227782805]
2つの利用可能なデータセットを特徴とする半教師付き環境での量子推定を考察する。
本稿では,2つのデータセットに基づいて,応答量子化(s)に対する半教師付き推定器群を提案する。
論文 参考訳(メタデータ) (2022-01-25T10:02:23Z) - Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。
提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
論文 参考訳(メタデータ) (2021-06-07T17:44:49Z) - Statistical optimality and stability of tangent transform algorithms in
logit models [6.9827388859232045]
我々は,データ生成過程の条件として,ロジカルオプティマによって引き起こされるリスクに対して,非漸近上界を導出する。
特に,データ生成過程の仮定なしにアルゴリズムの局所的変動を確立する。
我々は,大域収束が得られる半直交設計を含む特別な場合について検討する。
論文 参考訳(メタデータ) (2020-10-25T05:15:13Z) - Instability, Computational Efficiency and Statistical Accuracy [101.32305022521024]
我々は,人口レベルでのアルゴリズムの決定論的収束率と,$n$サンプルに基づく経験的対象に適用した場合の(不安定性)の間の相互作用に基づいて,統計的精度を得るフレームワークを開発する。
本稿では,ガウス混合推定,非線形回帰モデル,情報的非応答モデルなど,いくつかの具体的なモデルに対する一般結果の応用について述べる。
論文 参考訳(メタデータ) (2020-05-22T22:30:52Z) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳(メタデータ) (2020-04-21T23:09:55Z) - Localized Debiased Machine Learning: Efficient Inference on Quantile
Treatment Effects and Beyond [69.83813153444115]
因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。
Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。
本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
論文 参考訳(メタデータ) (2019-12-30T14:42:52Z)
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。