論文の概要: Vector Quantile Regression on Manifolds
- arxiv url: http://arxiv.org/abs/2307.01037v2
- Date: Wed, 7 Feb 2024 16:00:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-08 20:22:24.970377
- Title: Vector Quantile Regression on Manifolds
- Title(参考訳): マニフォールド上のベクトル量子回帰
- Authors: Marco Pegoraro, Sanketh Vedula, Aviv A. Rosenberg, Irene Tallini,
Emanuele Rodol\`a, Alex M. Bronstein
- Abstract要約: QR(Quantile regression)は、対象変数の条件量子化の分布自由度推定のための統計ツールである。
最適輸送理論とc-凹関数を活用することにより、高次元変数の条件ベクトル量子関数を有意に定義する。
提案手法の有効性を実証し, 合成および実データ実験による非ユークリッド量子化の意味に関する知見を提供する。
- 参考スコア(独自算出の注目度): 8.328891187733841
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantile regression (QR) is a statistical tool for distribution-free
estimation of conditional quantiles of a target variable given explanatory
features. QR is limited by the assumption that the target distribution is
univariate and defined on an Euclidean domain. Although the notion of quantiles
was recently extended to multi-variate distributions, QR for multi-variate
distributions on manifolds remains underexplored, even though many important
applications inherently involve data distributed on, e.g., spheres (climate and
geological phenomena), and tori (dihedral angles in proteins). By leveraging
optimal transport theory and c-concave functions, we meaningfully define
conditional vector quantile functions of high-dimensional variables on
manifolds (M-CVQFs). Our approach allows for quantile estimation, regression,
and computation of conditional confidence sets and likelihoods. We demonstrate
the approach's efficacy and provide insights regarding the meaning of
non-Euclidean quantiles through synthetic and real data experiments.
- Abstract(参考訳): QR(Quantile regression)は、対象変数の条件量子化の分布自由度推定のための統計ツールである。
QRは、対象の分布がユニバリケートでユークリッド領域で定義されるという仮定によって制限される。
四量体の概念は近年多変量分布に拡張されたが、多様体上の多変量分布のqrは、球体(気候・地質現象)やトーラス(タンパク質の双面角)など、本質的に多くの重要な応用が分散しているにもかかわらず、未検討のままである。
最適輸送理論とc-凹関数を利用して、多様体上の高次元変数の条件ベクトル量子関数(M-CVQF)を有意に定義する。
本手法は,条件付き信頼度集合と確率の量的推定,回帰,計算を可能にする。
提案手法の有効性を実証し, 合成および実データ実験による非ユークリッド量子化の意味に関する知見を提供する。
関連論文リスト
- Conformal inference for regression on Riemannian Manifolds [49.7719149179179]
回帰シナリオの予測セットは、応答変数が$Y$で、多様体に存在し、Xで表される共変数がユークリッド空間にあるときに検討する。
我々は、多様体上のこれらの領域の経験的バージョンが、その集団に対するほぼ確実に収束していることを証明する。
論文 参考訳(メタデータ) (2023-10-12T10:56:25Z) - Decoupling Quantile Representations from Loss Functions [0.979731979071071]
同時二項量子化回帰(SBQR)における量子化と推定確率の双対性を示す。
これにより、任意のf(x)を中央の量子化に割り当て、異なるタウ値におけるSBQR量子化表現の全スペクトルを生成することができる。
論文 参考訳(メタデータ) (2023-04-25T12:39:45Z) - Neural Spline Search for Quantile Probabilistic Modeling [35.914279831992964]
パラメトリックな仮定を伴わない観測データ分布を表現するために,非パラメトリックかつデータ駆動型手法であるニューラルスプラインサーチ(NSS)を提案する。
我々は,NASが,合成,実世界の回帰,時系列予測タスクにおいて,従来の手法よりも優れていたことを実証した。
論文 参考訳(メタデータ) (2023-01-12T07:45:28Z) - Convolutional Filtering on Sampled Manifolds [122.06927400759021]
サンプル多様体上の畳み込みフィルタリングは連続多様体フィルタリングに収束することを示す。
本研究は,ナビゲーション制御の問題点を実証的に明らかにした。
論文 参考訳(メタデータ) (2022-11-20T19:09:50Z) - Fast Nonlinear Vector Quantile Regression [13.606557840299036]
量子回帰(QR)は、ターゲット変数の1つ以上の条件量子化を推定する強力なツールである。
ベクトル量子回帰(VQR)は、ベクトル値のターゲット変数に対するQRの拡張として提案された。
論文 参考訳(メタデータ) (2022-05-30T10:25:34Z) - Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。
一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文 参考訳(メタデータ) (2022-02-23T06:11:49Z) - Deep Non-Crossing Quantiles through the Partial Derivative [0.6299766708197883]
量子回帰(Quantile Regression)は、単一の条件量子を近似する方法を提供する。
QRロス関数の最小化は、非交差量子化を保証しない。
任意の数の量子を予測するための汎用的なディープラーニングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-01-30T15:35:21Z) - Learning Quantile Functions without Quantile Crossing for
Distribution-free Time Series Forecasting [12.269597033369557]
本稿では,分散フリーな分布推定フレームワークであるIncrmental (Spline) Quantile Function I(S)QFを提案する。
また、シーケンス・ツー・シーケンス・セッティングに基づく提案手法の一般化誤差解析も提供する。
論文 参考訳(メタデータ) (2021-11-12T06:54:48Z) - Understanding the Under-Coverage Bias in Uncertainty Estimation [58.03725169462616]
量子レグレッションは、現実の望ましいカバレッジレベルよりもアンファンダーカバー(enmphunder-cover)する傾向がある。
我々は、量子レグレッションが固有のアンダーカバーバイアスに悩まされていることを証明している。
我々の理論は、この過大被覆バイアスが特定の高次元パラメータ推定誤差に起因することを明らかにしている。
論文 参考訳(メタデータ) (2021-06-10T06:11:55Z) - 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) - Flexible Model Aggregation for Quantile Regression [92.63075261170302]
量子回帰は、予測の不確実性を定量化する必要性によって動機付けられた統計学習の基本的な問題である。
条件付き量子モデルの任意の数を集約する手法について検討する。
この論文で検討するモデルはすべて、現代のディープラーニングツールキットに適合します。
論文 参考訳(メタデータ) (2021-02-26T23:21:16Z)
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。