論文の概要: ReTaSA: A Nonparametric Functional Estimation Approach for Addressing Continuous Target Shift

• arxiv url: http://arxiv.org/abs/2401.16410v1
• Date: Mon, 29 Jan 2024 18:47:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-30 13:29:07.940248
• Title: ReTaSA: A Nonparametric Functional Estimation Approach for Addressing Continuous Target Shift
• Title（参考訳）: ReTaSA:連続目標シフト対応のための非パラメトリック関数推定手法
• Authors: Hwanwoo Kim, Xin Zhang, Jiwei Zhao, Qinglong Tian
• Abstract要約: この研究は回帰設定における目標シフト問題に焦点を当てる。 本研究では, 積分方程式から重み関数を推定することにより, 連続目標シフト問題に対処可能であることを示す。
• 参考スコア（独自算出の注目度）: 3.0502510635373046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The presence of distribution shifts poses a significant challenge for deploying modern machine learning models in real-world applications. This work focuses on the target shift problem in a regression setting (Zhang et al., 2013; Nguyen et al., 2016). More specifically, the target variable y (also known as the response variable), which is continuous, has different marginal distributions in the training source and testing domain, while the conditional distribution of features x given y remains the same. While most literature focuses on classification tasks with finite target space, the regression problem has an infinite dimensional target space, which makes many of the existing methods inapplicable. In this work, we show that the continuous target shift problem can be addressed by estimating the importance weight function from an ill-posed integral equation. We propose a nonparametric regularized approach named ReTaSA to solve the ill-posed integral equation and provide theoretical justification for the estimated importance weight function. The effectiveness of the proposed method has been demonstrated with extensive numerical studies on synthetic and real-world datasets.
• Abstract（参考訳）: 分散シフトの存在は、現代の機械学習モデルを現実世界のアプリケーションにデプロイする上で大きな課題となる。 この研究は回帰設定における目標シフト問題に焦点を当てている(Zhang et al., 2013; Nguyen et al., 2016)。 より具体的には、連続的な対象変数y(応答変数としても知られる)は、訓練元とテスト領域において異なる限界分布を持つが、yに与えられた特徴xの条件分布は同じである。 ほとんどの文献は有限な対象空間を持つ分類タスクに焦点を当てているが、回帰問題は無限次元の対象空間を持ち、既存の手法の多くを適用できない。 本研究では, 積分方程式から重み関数を推定することにより, 連続目標シフト問題に対処可能であることを示す。 非パラメトリック正則化法としてretasaを提案し,不定積分方程式の解法と推定重要度重み関数の理論的正当性を提供する。 提案手法の有効性は,合成および実世界のデータセットに関する広範な数値的研究で実証されている。

関連論文リスト

• Scalable Signature-Based Distribution Regression via Reference Sets [1.8980236415886387]
  パスシグネチャは、シグネチャベースの機能を通じてパスに符号化された情報を活用するために使用される。 アートDRソリューションの現在の状態は、メモリ集約的で、高コストである。 この計算ボトルネックは、アプリケーションを小さなサンプルサイズに制限する。 本稿では,上記の問題に対処する手法を提案する。 また,多様な学習タスクにDRを使用できるパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-10-11T18:58:28Z)
• Stochastic Q-learning for Large Discrete Action Spaces [79.1700188160944]
  離散的な行動空間を持つ複雑な環境では、強化学習(RL)において効果的な意思決定が重要である 我々は、$n$アクションの集合全体を最適化するのとは対照的に、おそらく$mathcalO(log(n)$)$のような変数の集合のみを考える。 提示された値ベースのRL手法には、Q-learning、StochDQN、StochDDQNなどが含まれる。
  論文  参考訳（メタデータ） (2024-05-16T17:58:44Z)
• Deep Generative Symbolic Regression [83.04219479605801]
  記号回帰は、データから簡潔な閉形式数学的方程式を発見することを目的としている。 既存の手法は、探索から強化学習まで、入力変数の数に応じてスケールできない。 本稿では,我々のフレームワークであるDeep Generative Symbolic Regressionのインスタンス化を提案する。
  論文  参考訳（メタデータ） (2023-12-30T17:05:31Z)
• Value-Distributional Model-Based Reinforcement Learning [59.758009422067]
  政策の長期的業績に関する不確実性の定量化は、シーケンシャルな意思決定タスクを解決するために重要である。 モデルに基づくベイズ強化学習の観点から問題を考察する。 本稿では,値分布関数を学習するモデルに基づくアルゴリズムであるEpicemic Quantile-Regression(EQR)を提案する。
  論文  参考訳（メタデータ） (2023-08-12T14:59:19Z)
• Transferability Estimation Based On Principal Gradient Expectation [68.97403769157117]
  クロスタスク転送性は、自己整合性を維持しながら転送結果と互換性がある。 既存の転送可能性メトリクスは、ソースとターゲットタスクを会話することで、特定のモデルに基づいて推定される。 本稿では,タスク間の転送可能性を評価するための簡易かつ効果的な手法であるPGEを提案する。
  論文  参考訳（メタデータ） (2022-11-29T15:33:02Z)
• Learning High-Dimensional McKean-Vlasov Forward-Backward Stochastic Differential Equations with General Distribution Dependence [6.253771639590562]
  本稿では,MV-FBSDEを平均場相互作用の一般形式で計算するための新しいディープラーニング手法を提案する。 我々は、高次元MV-FBSDEを解くために、ディープニューラルネットワークを用いて標準BSDEと近似係数関数を解く。
  論文  参考訳（メタデータ） (2022-04-25T18:59:33Z)
• Communication-Efficient Distributed Quantile Regression with Optimal Statistical Guarantees [2.064612766965483]
  本稿では,分散量子レグレッションにおいて,厳密なスケーリング条件を伴わずに最適な推論を実現する方法の課題に対処する。 この問題は、ローカル(各データソース)とグローバルな目的関数に適用される二重平滑化アプローチによって解決される。 局所的および大域的滑らか化パラメータの微妙な組み合わせに依存するにもかかわらず、量子回帰モデルは完全にパラメトリックである。
  論文  参考訳（メタデータ） (2021-10-25T17:09:59Z)
• GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
  重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。 我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。 結果として得られるアルゴリズム、GenDICEは単純で効果的である。
  論文  参考訳（メタデータ） (2020-02-21T00:27:52Z)
• Polynomial-Time Exact MAP Inference on Discrete Models with Global Dependencies [83.05591911173332]
  ジャンクションツリーアルゴリズムは、実行時の保証と正確なMAP推論のための最も一般的な解である。 本稿では,ノードのクローン化による新たなグラフ変換手法を提案する。
  論文  参考訳（メタデータ） (2019-12-27T13:30:29Z)

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。