論文の概要: Inference with Mondrian Random Forests
- arxiv url: http://arxiv.org/abs/2310.09702v1
- Date: Sun, 15 Oct 2023 01:41:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-17 18:41:00.306959
- Title: Inference with Mondrian Random Forests
- Title(参考訳): モンドリアンランダム林を用いた推定
- Authors: Matias D. Cattaneo, Jason M. Klusowski, William G. Underwood
- Abstract要約: 回帰設定において、モンドリアンランダムフォレストによってなされた推定に対して中心極限定理を与える。
また,モンドリアンの無作為林に偏りを生じさせ,極小最大推定率を達成できる方法を提案する。
- 参考スコア(独自算出の注目度): 7.842152902652216
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Random forests are popular methods for classification and regression, and
many different variants have been proposed in recent years. One interesting
example is the Mondrian random forest, in which the underlying trees are
constructed according to a Mondrian process. In this paper we give a central
limit theorem for the estimates made by a Mondrian random forest in the
regression setting. When combined with a bias characterization and a consistent
variance estimator, this allows one to perform asymptotically valid statistical
inference, such as constructing confidence intervals, on the unknown regression
function. We also provide a debiasing procedure for Mondrian random forests
which allows them to achieve minimax-optimal estimation rates with
$\beta$-H\"older regression functions, for all $\beta$ and in arbitrary
dimension, assuming appropriate parameter tuning.
- Abstract(参考訳): ランダム林は分類と回帰の一般的な方法であり、近年多くの異なる変種が提案されている。
興味深い例の1つはモンドリアンのランダム林であり、その中にモンドリアンの過程に従って木が構築されている。
本稿では、回帰設定において、モンドリアンランダムフォレストによってなされた推定に対して中心極限定理を与える。
バイアス特性と一貫した分散推定器を組み合わせると、未知回帰関数上で信頼区間を構成するような漸近的に有効な統計的推測を行うことができる。
また,パラメータチューニングを仮定して,任意の次元の$\beta$ および$\beta$ に対して,$\beta$-h\"older回帰関数による最小最適推定率を達成することができる。
関連論文リスト
- Adaptive Split Balancing for Optimal Random Forest [10.021381302215062]
データから木表現を学習できる適応型分割バランス林(ASBF)を導入する。
H"older class $mathcalHq,beta$ for any $qinmathbbN$ and $betain(0,1]$) でminimaxレートを達成するローカライズされたバージョンを提案する。
論文 参考訳(メタデータ) (2024-02-17T09:10:40Z) - 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) - Adaptive Stochastic Variance Reduction for Non-convex Finite-Sum
Minimization [52.25843977506935]
有限サム構造をもつ$L$-smooth, non-deuction関数に対して, AdaSpider と呼ばれる適応分散法を提案する。
そうすることで、$tildeOleft + st/epsilonコールで$epsilon-stationaryポイントを計算することができます。
論文 参考訳(メタデータ) (2022-11-03T14:41:46Z) - On Variance Estimation of Random Forests [0.0]
本稿では,不完全U-統計量に基づく不偏分散推定器を開発する。
我々は,計算コストを増大させることなく,より低いバイアスとより正確な信頼区間のカバレッジを評価できることを示した。
論文 参考訳(メタデータ) (2022-02-18T03:35:47Z) - Random Forest Weighted Local Fr\'echet Regression with Random Objects [52.25304029942005]
本稿では,新しいランダム森林重み付き局所Fr'echet回帰パラダイムを提案する。
最初の方法は,これらの重みを局所平均として利用し,条件付きFr'echet平均を解く。
第二の手法は局所線形Fr'echet回帰を行い、どちらも既存のFr'echet回帰法を大幅に改善した。
論文 参考訳(メタデータ) (2022-02-10T09:10:59Z) - Minimax Rates for High-Dimensional Random Tessellation Forests [0.0]
モンドリアン林は、任意の次元でミニマックスレートが得られた最初のランダム林である。
概略分割方向を持つ多種多様なランダム林は任意の次元における最小収束率も達成できることを示す。
論文 参考訳(メタデータ) (2021-09-22T06:47:38Z) - Iterative Feature Matching: Toward Provable Domain Generalization with
Logarithmic Environments [55.24895403089543]
ドメインの一般化は、限られた数のトレーニング環境からのデータで、目に見えないテスト環境でうまく機能することを目的としています。
我々は,O(logd_s)$環境のみを見た後に一般化する予測器を高確率で生成することを保証する反復的特徴マッチングに基づく新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-06-18T04:39:19Z) - RFpredInterval: An R Package for Prediction Intervals with Random
Forests and Boosted Forests [0.0]
我々は、ランダムな森林や森林の増生を伴う予測区間を構築するために、16の手法を統合した包括的RパッケージRFpredIntervalを開発した。
このパッケージに実装された手法は,Roy と Larocque (2020) が提案したランダムな森林で予測間隔を生成するために,PRBFと15の異なる変種で予測間隔を構築する新しい方法である。
その結果,提案手法は競争力が高く,世界規模では競合手法よりも優れていた。
論文 参考訳(メタデータ) (2021-06-15T15:27:50Z) - Learning Probabilistic Ordinal Embeddings for Uncertainty-Aware
Regression [91.3373131262391]
不確かさが唯一の確実性である。
伝統的に、直接回帰定式化を考慮し、ある確率分布の族に出力空間を変更することによって不確実性をモデル化する。
現在のレグレッション技術における不確実性をモデル化する方法は、未解決の問題である。
論文 参考訳(メタデータ) (2021-03-25T06:56:09Z) - Generalised Boosted Forests [0.9899017174990579]
リンク空間におけるMLE型推定から始まり、それから一般化された残余を定義する。
これらの残差とそれに対応する重みをベースとなるランダムフォレストに適合させ、これを繰り返してブーストランダムフォレストを得る。
我々は、ランダムな森林ステップの両方がテストセットのログ類似度を減少させることをシミュレーションおよび実データで示す。
論文 参考訳(メタデータ) (2021-02-24T21:17:31Z) - Censored Quantile Regression Forest [81.9098291337097]
我々は、検閲に適応し、データが検閲を示さないときに量子スコアをもたらす新しい推定方程式を開発する。
提案手法は, パラメトリックなモデリング仮定を使わずに, 時間単位の定量を推定することができる。
論文 参考訳(メタデータ) (2020-01-08T23:20:23Z)
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。