Fugu-MT 論文翻訳(概要): Multiparameter regularization and aggregation in the context of polynomial functional regression

論文の概要: Multiparameter regularization and aggregation in the context of polynomial functional regression

arxiv url: http://arxiv.org/abs/2405.04147v1
Date: Tue, 7 May 2024 09:26:20 GMT
ステータス: 処理完了
システム内更新日: 2024-05-08 14:39:54.637475
Title: Multiparameter regularization and aggregation in the context of polynomial functional regression
Title（参考訳）: 多項式汎関数回帰の文脈における多重パラメータ正規化と集約
Authors: Elke R. Gizewski, Markus Holzleitner, Lukas Mayer-Suess, Sergiy Pereverzyev Jr., Sergei V. Pereverzyev,
Abstract要約: 本稿では,複数のパラメータの正規化のためのアルゴリズムを導入し,関連するパラメータを扱うための理論的基礎的手法を提案する。提案手法の有効性は, 人工医療データと実世界の医療データの両方を用いて評価し, 有望な結果が得られた。
参考スコア（独自算出の注目度）: 2.1960518939650475
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Most of the recent results in polynomial functional regression have been focused on an in-depth exploration of single-parameter regularization schemes. In contrast, in this study we go beyond that framework by introducing an algorithm for multiple parameter regularization and presenting a theoretically grounded method for dealing with the associated parameters. This method facilitates the aggregation of models with varying regularization parameters. The efficacy of the proposed approach is assessed through evaluations on both synthetic and some real-world medical data, revealing promising results.
Abstract（参考訳）: 最近の多項式汎関数回帰の結果のほとんどは、単一パラメータ正規化スキームの詳細な探索に焦点が当てられている。対照的に、本研究では、複数のパラメータ正則化のためのアルゴリズムを導入し、関連するパラメータを扱うための理論的基礎的手法を提案することにより、その枠組みを超えていく。この方法は、様々な正規化パラメータを持つモデルのアグリゲーションを容易にする。提案手法の有効性は, 人工医療データと実世界の医療データの両方を用いて評価し, 有望な結果を示した。

関連論文リスト

Nonparametric Automatic Differentiation Variational Inference with Spline Approximation [7.5620760132717795]
複雑な構造を持つ分布に対するフレキシブルな後続近似を可能にする非パラメトリック近似法を開発した。広く使われている非パラメトリック推論手法と比較して,提案手法は実装が容易であり,様々なデータ構造に適応する。実験では, 複雑な後続分布の近似における提案手法の有効性を実証し, 不完全データを用いた生成モデルの性能向上を図った。
論文参考訳（メタデータ） (2024-03-10T20:22:06Z)
Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文参考訳（メタデータ） (2023-12-19T21:45:38Z)
Functional Generalized Canonical Correlation Analysis for studying multiple longitudinal variables [0.9208007322096533]
FGCCA(Functional Generalized Canonical correlation Analysis)は、共同で観測される複数のランダムプロセス間の関連を探索する新しいフレームワークである。我々は,解法の単調性を確立し,標準成分を推定するためのベイズ的アプローチを導入する。本稿では,縦断データセットにユースケースを提示し,シミュレーション研究における手法の効率性を評価する。
論文参考訳（メタデータ） (2023-10-11T09:21:31Z)
ParFam -- (Neural Guided) Symbolic Regression Based on Continuous Global Optimization [14.146976111782466]
我々は、離散的記号回帰問題を連続的な問題に変換するために、新しいアプローチであるParFamを提案する。グローバルな手法と組み合わせることで、SRの問題に対処する非常に効果的な手法がもたらされる。また、ParFamをガイドするために、事前訓練されたトランスフォーマーネットワークDL-ParFamを組み込んだ拡張も提案する。
論文参考訳（メタデータ） (2023-10-09T09:01:25Z)
Heterogeneous Multi-Task Gaussian Cox Processes [61.67344039414193]
異種相関タスクを共同でモデル化するためのマルチタスクガウスコックスプロセスの新たな拡張を提案する。 MOGPは、分類、回帰、ポイントプロセスタスクの専用可能性のパラメータに先行して、異種タスク間の情報の共有を容易にする。モデルパラメータを推定するための閉形式反復更新を実現する平均場近似を導出する。
論文参考訳（メタデータ） (2023-08-29T15:01:01Z)
Errors-in-variables Fr\'echet Regression with Low-rank Covariate Approximation [2.1756081703276]
Fr'echet回帰は、非ユークリッド応答変数を含む回帰分析のための有望なアプローチとして登場した。提案手法は,大域的Fr'echet回帰と主成分回帰の概念を組み合わせて,回帰推定器の効率と精度を向上させることを目的とする。
論文参考訳（メタデータ） (2023-05-16T08:37:54Z)
Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。提案手法はRパッケージプローブに実装されている。
論文参考訳（メタデータ） (2022-09-16T19:15:50Z)
Time varying regression with hidden linear dynamics [74.9914602730208]
線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
論文参考訳（メタデータ） (2021-12-29T23:37:06Z)
Nonparametric Functional Analysis of Generalized Linear Models Under Nonlinear Constraints [0.0]
本稿では、一般化線形モデルのための新しい非パラメトリック方法論を紹介する。これは二項回帰の強さとカテゴリーデータに対する潜在変数の定式化の強さを組み合わせたものである。これは最近公開された方法論のパラメトリックバージョンを拡張し、一般化する。
論文参考訳（メタデータ） (2021-10-11T04:49:59Z)
MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文参考訳（メタデータ） (2021-06-03T12:59:16Z)
Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文参考訳（メタデータ） (2021-02-12T12:23:13Z)

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。