論文の概要: A cost-sensitive constrained Lasso

• arxiv url: http://arxiv.org/abs/2401.18023v1
• Date: Wed, 31 Jan 2024 17:36:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-01 13:39:26.643893
• Title: A cost-sensitive constrained Lasso
• Title（参考訳）: コスト感受性制約ラッソ
• Authors: Rafael Blanquero, Emilio Carrizosa, Pepa Ram\'irez-Cobo, M. Remedios Sillero-Denamiel
• Abstract要約: 本稿では,Lassoをベースとした目的関数に2次的性能制約を加えるLassoの新たなバージョンを提案する。 その結果、非線形最適化問題により制約付きスパース回帰モデルが定義される。 このコストに敏感なラッソは、異なるソースからデータが収集される異質なサンプルに直接的な応用がある。
• 参考スコア（独自算出の注目度）: 2.8265531928694116
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The Lasso has become a benchmark data analysis procedure, and numerous variants have been proposed in the literature. Although the Lasso formulations are stated so that overall prediction error is optimized, no full control over the accuracy prediction on certain individuals of interest is allowed. In this work we propose a novel version of the Lasso in which quadratic performance constraints are added to Lasso-based objective functions, in such a way that threshold values are set to bound the prediction errors in the different groups of interest (not necessarily disjoint). As a result, a constrained sparse regression model is defined by a nonlinear optimization problem. This cost-sensitive constrained Lasso has a direct application in heterogeneous samples where data are collected from distinct sources, as it is standard in many biomedical contexts. Both theoretical properties and empirical studies concerning the new method are explored in this paper. In addition, two illustrations of the method on biomedical and sociological contexts are considered.
• Abstract（参考訳）: Lassoはベンチマークデータ分析の手順となり、文献で多くの変種が提案されている。 lassoの定式化は、全体的な予測誤差を最適化するように述べられているが、特定の関心のある個人に対する精度予測を完全に制御することはできない。 本研究では,2次的性能制約をラッソの目的関数に追加する新しいバージョンのラッソを提案する。 その結果、非線形最適化問題により制約付きスパース回帰モデルが定義される。 コストに敏感なラッソは、多くの生体医学的文脈で標準的なように、異なるソースからデータが収集される異種サンプルに直接的な応用がある。 本稿では,新しい手法に関する理論的性質と経験的研究について考察する。 また、生物医学的・社会学的文脈における方法の2つの例を考察する。

関連論文リスト

• 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)
• Adaptive Lasso, Transfer Lasso, and Beyond: An Asymptotic Perspective [4.051523221722475]
  本稿では,Adaptive LassoとTransfer Lassoに固有の理論的性質を包括的に探求する。 アダプティブ・ラッソは初期推定器によって分割された正規化を採用し、正規性と変数選択の整合性によって特徴づけられる。 最近提案されたTransfer Lassoは、非漸近的推定誤差を削減できることを示す能力を持つ初期推定器によって抽出された正規化を用いる。
  論文  参考訳（メタデータ） (2023-08-30T08:21:46Z)
• Nonlinear Permuted Granger Causality [0.6526824510982799]
  グランガー因果推論(Granger causal inference)は、経済学から神経科学まで幅広い分野において用いられる、論争的だが広範な手法である。 サンプル外比較を可能にするために、共変集合の置換を用いて関数接続の尺度を明示的に定義する。 変分法の性能を, シミュレーションによる変分選択, ナイーブ置換, 省略技術と比較した。
  論文  参考訳（メタデータ） (2023-08-11T16:44:16Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Mitigating multiple descents: A model-agnostic framework for risk monotonization [84.6382406922369]
  クロスバリデーションに基づくリスクモノトナイズのための一般的なフレームワークを開発する。 本稿では,データ駆動方式であるゼロステップとワンステップの2つの手法を提案する。
  論文  参考訳（メタデータ） (2022-05-25T17:41:40Z)
• Sparse Feature Selection Makes Batch Reinforcement Learning More Sample Efficient [62.24615324523435]
  本稿では,スパース線形関数近似を用いた高次元バッチ強化学習(RL)の統計的解析を行う。 候補となる機能が多数存在する場合,提案手法がバッチRLをより効率的にサンプリングできるという事実に光を当てる。
  論文  参考訳（メタデータ） (2020-11-08T16:48:02Z)
• Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
  本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。 堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。 異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
  論文  参考訳（メタデータ） (2020-07-21T08:18:06Z)
• A One-step Approach to Covariate Shift Adaptation [82.01909503235385]
  多くの機械学習シナリオにおけるデフォルトの前提は、トレーニングとテストサンプルは同じ確率分布から引き出されることである。 予測モデルと関連する重みを1つの最適化で共同で学習する新しいワンステップアプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-08T11:35:47Z)
• Weighted Lasso Estimates for Sparse Logistic Regression: Non-asymptotic Properties with Measurement Error [5.5233023574863624]
  2種類の重み付きラスソ推定法が$ell_1$-penalized logistic regressionに対して提案されている。 提案手法の有限標本挙動は,非漸近的オラクル不等式によって示される。 シミュレーションデータの重み付けされた推定値と比較し,実データ解析にこれらの手法を適用した。
  論文  参考訳（メタデータ） (2020-06-11T00:58:14Z)
• Generic Error Bounds for the Generalized Lasso with Sub-Exponential Data [4.56877715768796]
  この研究は、部分指数データの仮定の下で一般化されたラッソの非漸近解析を行う。 本稿では,ジェネリックチェインに基づく証明戦略から自然に生じる2つの複雑性パラメータを用いて,推定誤差を制御できることを示す。
  論文  参考訳（メタデータ） (2020-04-11T10:39:48Z)

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。