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

• A Kernel-Based Conditional Two-Sample Test Using Nearest Neighbors (with Applications to Calibration, Regression Curves, and Simulation-Based Inference) [3.622435665395788]
  本稿では,2つの条件分布の違いを検出するカーネルベースの尺度を提案する。 2つの条件分布が同じである場合、推定はガウス極限を持ち、その分散はデータから容易に推定できる単純な形式を持つ。 また、条件付き適合性問題に適用可能な推定値を用いた再サンプリングベースのテストも提供する。
  論文  参考訳（メタデータ） (2024-07-23T15:04:38Z)
• Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。 我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• 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)
• Engression: Extrapolation through the Lens of Distributional Regression [2.519266955671697]
  我々は、エングレースと呼ばれるニューラルネットワークに基づく分布回帰手法を提案する。 エングレスモデル(engression model)は、適合した条件分布からサンプリングできるという意味で生成され、高次元結果にも適している。 一方、最小二乗法や量子回帰法のような従来の回帰手法は、同じ仮定の下では不十分である。
  論文  参考訳（メタデータ） (2023-07-03T08:19:00Z)
• 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)
• 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。