論文の概要: Local Bayesian Dirichlet mixing of imperfect models
- arxiv url: http://arxiv.org/abs/2311.01596v1
- Date: Thu, 2 Nov 2023 21:02:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-06 15:47:32.192320
- Title: Local Bayesian Dirichlet mixing of imperfect models
- Title(参考訳): 不完全モデルの局所ベイズ型ディリクレ混合
- Authors: Vojtech Kejzlar, L\'eo Neufcourt, Witold Nazarewicz
- Abstract要約: ベイズモデルの平均化および混合技術による核質量の採掘能力について検討した。
予測精度と不確実性定量化の両方において,グローバルモデルと局所モデルの混合が優れた性能を発揮することを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To improve the predictability of complex computational models in the
experimentally-unknown domains, we propose a Bayesian statistical machine
learning framework utilizing the Dirichlet distribution that combines results
of several imperfect models. This framework can be viewed as an extension of
Bayesian stacking. To illustrate the method, we study the ability of Bayesian
model averaging and mixing techniques to mine nuclear masses. We show that the
global and local mixtures of models reach excellent performance on both
prediction accuracy and uncertainty quantification and are preferable to
classical Bayesian model averaging. Additionally, our statistical analysis
indicates that improving model predictions through mixing rather than mixing of
corrected models leads to more robust extrapolations.
- Abstract(参考訳): 実験的に未知の領域における複雑な計算モデルの予測可能性を改善するために,ディリクレ分布を用いたベイズ統計機械学習フレームワークを提案する。
この枠組みはベイズ的積み重ねの拡張と見なすことができる。
この方法を説明するために, ベイズ模型平均化法と混合法が核質量を採掘する能力について検討した。
予測精度と不確かさの定量化の両方において,大域的および局所的な混合モデルが優れた性能に達し,古典ベイズ平均モデルよりも好ましいことを示した。
さらに,修正モデルの混合よりも混合によるモデル予測の改善が,より堅牢な外挿につながることを示す。
関連論文リスト
- Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。
これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
論文 参考訳(メタデータ) (2024-03-03T04:21:21Z) - Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。
ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。
当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文 参考訳(メタデータ) (2024-02-12T16:15:25Z) - Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。
近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。
本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
論文 参考訳(メタデータ) (2023-06-16T16:30:39Z) - Finite mixture of skewed sub-Gaussian stable distributions [0.0]
提案モデルは正規分布とスキュー分布の有限混合を含む。
堅牢なモデルベースのクラスタリングのための強力なモデルとして使用できる。
論文 参考訳(メタデータ) (2022-05-27T15:51:41Z) - Latent Gaussian Model Boosting [0.0]
ツリーブースティングは多くのデータセットに対して優れた予測精度を示す。
シミュレーションおよび実世界のデータ実験において,既存の手法と比較して予測精度が向上した。
論文 参考訳(メタデータ) (2021-05-19T07:36:30Z) - Characterizing Fairness Over the Set of Good Models Under Selective
Labels [69.64662540443162]
同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。
到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。
選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
論文 参考訳(メタデータ) (2021-01-02T02:11:37Z) - Semi-nonparametric Latent Class Choice Model with a Flexible Class
Membership Component: A Mixture Model Approach [6.509758931804479]
提案したモデルは、従来のランダムユーティリティ仕様に代わるアプローチとして混合モデルを用いて潜在クラスを定式化する。
その結果,混合モデルにより潜在クラス選択モデル全体の性能が向上した。
論文 参考訳(メタデータ) (2020-07-06T13:19:26Z) - Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。
テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。
以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文 参考訳(メタデータ) (2020-06-22T21:12:31Z) - Efficient Ensemble Model Generation for Uncertainty Estimation with
Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。
提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。
また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文 参考訳(メタデータ) (2020-05-21T16:08:38Z) - Amortized Bayesian model comparison with evidential deep learning [0.12314765641075436]
本稿では,専門的なディープラーニングアーキテクチャを用いたベイズモデルの比較手法を提案する。
提案手法は純粋にシミュレーションベースであり,観測された各データセットに対して,すべての代替モデルを明示的に適合させるステップを回避している。
提案手法は,本研究で検討した事例に対して,精度,キャリブレーション,効率の点で優れた結果が得られることを示す。
論文 参考訳(メタデータ) (2020-04-22T15:15:46Z)
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。