論文の概要: Wasserstein Generative Regression
- arxiv url: http://arxiv.org/abs/2306.15163v1
- Date: Tue, 27 Jun 2023 02:44:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-28 14:47:20.086711
- Title: Wasserstein Generative Regression
- Title(参考訳): Wasserstein 生成的回帰
- Authors: Shanshan Song, Tong Wang, Guohao Shen, Yuanyuan Lin, and Jian Huang
- Abstract要約: 非パラメトリック回帰と条件分布学習のための新しい統一的アプローチを提案する。
提案手法は,生成学習フレームワークを用いた回帰関数と条件生成器を同時に推定する。
非漸近誤差境界の導出と適切な仮定の下でのアプローチの分布整合性による理論的保証を提供する。
- 参考スコア(独自算出の注目度): 6.366148239550708
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we propose a new and unified approach for nonparametric
regression and conditional distribution learning. Our approach simultaneously
estimates a regression function and a conditional generator using a generative
learning framework, where a conditional generator is a function that can
generate samples from a conditional distribution. The main idea is to estimate
a conditional generator that satisfies the constraint that it produces a good
regression function estimator. We use deep neural networks to model the
conditional generator. Our approach can handle problems with multivariate
outcomes and covariates, and can be used to construct prediction intervals. We
provide theoretical guarantees by deriving non-asymptotic error bounds and the
distributional consistency of our approach under suitable assumptions. We also
perform numerical experiments with simulated and real data to demonstrate the
effectiveness and superiority of our approach over some existing approaches in
various scenarios.
- Abstract(参考訳): 本稿では,非パラメトリック回帰と条件分布学習のための新しい統一的アプローチを提案する。
提案手法は,条件生成器が条件分布からサンプルを生成する機能である生成学習フレームワークを用いて,回帰関数と条件生成器を同時に推定する。
主なアイデアは、適切な回帰関数推定子を生成するという制約を満たす条件付きジェネレータを見積もることである。
深層ニューラルネットワークを用いて条件生成をモデル化する。
提案手法は,多変量結果と共変量の問題に対処し,予測区間の構築に利用できる。
非漸近誤差境界の導出と適切な仮定の下でのアプローチの分布整合による理論的保証を提供する。
また,シミュレーションおよび実データを用いて数値実験を行い,様々なシナリオにおける既存手法の有効性と優位性を実証した。
関連論文リスト
- Time-series Generation by Contrastive Imitation [87.51882102248395]
モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。
推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
論文 参考訳(メタデータ) (2023-11-02T16:45:25Z) - 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) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳(メタデータ) (2023-09-02T01:27:53Z) - Convergence for score-based generative modeling with polynomial
complexity [9.953088581242845]
我々は、Scoreベースの生成モデルの背後にあるコアメカニックに対する最初の収束保証を証明した。
以前の作品と比較すると、時間的に指数関数的に増加するエラーや、次元の呪いに苦しむエラーは発生しない。
予測器・相関器はどちらの部分のみを使用するよりも収束性が高いことを示す。
論文 参考訳(メタデータ) (2022-06-13T14:57:35Z) - Distributional Gradient Boosting Machines [77.34726150561087]
私たちのフレームワークはXGBoostとLightGBMをベースにしています。
我々は,このフレームワークが最先端の予測精度を実現することを示す。
論文 参考訳(メタデータ) (2022-04-02T06:32:19Z) - 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) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳(メタデータ) (2020-10-05T20:03:13Z) - Nonparametric Conditional Density Estimation In A Deep Learning
Framework For Short-Term Forecasting [0.34410212782758043]
多くの機械学習技術は、対象変数の条件分布の単一点予測を与える。
本研究では,条件分布全体を同時に推定し,柔軟に機械学習技術を組み込む技術を提案する。
論文 参考訳(メタデータ) (2020-08-17T22:31:19Z) - Double Generative Adversarial Networks for Conditional Independence
Testing [8.359770027722275]
高次元条件独立テストは統計学と機械学習の重要な構成要素である。
本稿では,GAN(Double Generative Adversarial Network)に基づく推論手法を提案する。
論文 参考訳(メタデータ) (2020-06-03T16:14:15Z) - Robust Gaussian Process Regression with a Bias Model [0.6850683267295248]
既存のほとんどのアプローチは、重い尾の分布から誘導される非ガウス的確率に、外れやすいガウス的確率を置き換えるものである。
提案手法は、未知の回帰関数の雑音および偏りの観測として、外れ値をモデル化する。
バイアス推定に基づいて、ロバストなGP回帰を標準のGP回帰問題に還元することができる。
論文 参考訳(メタデータ) (2020-01-14T06:21:51Z)
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。