論文の概要: Model orthogonalization and Bayesian forecast mixing via Principal Component Analysis

• arxiv url: http://arxiv.org/abs/2405.10839v1
• Date: Fri, 17 May 2024 15:01:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-20 15:43:48.241916
• Title: Model orthogonalization and Bayesian forecast mixing via Principal Component Analysis
• Title（参考訳）: 主成分分析によるモデル直交化とベイズ予測混合
• Authors: Pablo Giuliani, Kyle Godbey, Vojtech Kejzlar, Witold Nazarewicz,
• Abstract要約: 多くの場合、混合プロセスで使用されるモデルは類似している。 このような類似または冗長なモデルが存在することは、結果の誤解釈と予測性能の劣化をもたらす可能性がある。 提案するベイズモデル組合せフレームワークにモデル化を加えることで,予測精度が向上し,不確かさの定量化性能に優れることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: One can improve predictability in the unknown domain by combining forecasts of imperfect complex computational models using a Bayesian statistical machine learning framework. In many cases, however, the models used in the mixing process are similar. In addition to contaminating the model space, the existence of such similar, or even redundant, models during the multimodeling process can result in misinterpretation of results and deterioration of predictive performance. In this work we describe a method based on the Principal Component Analysis that eliminates model redundancy. We show that by adding model orthogonalization to the proposed Bayesian Model Combination framework, one can arrive at better prediction accuracy and reach excellent uncertainty quantification performance.
• Abstract（参考訳）: ベイズ統計機械学習フレームワークを用いて不完全な複雑な計算モデルの予測を組み合わせることにより、未知領域の予測可能性を向上させることができる。 しかし、多くの場合、混合プロセスで使用されるモデルは類似している。 モデル空間の汚染に加えて、マルチモデリング過程における同様の、あるいは冗長なモデルの存在は、結果の誤解釈と予測性能の劣化をもたらす可能性がある。 本稿では,モデル冗長性を排除した主成分分析に基づく手法について述べる。 提案するベイズモデル組合せフレームワークにモデル直交化を加えることで、予測精度が向上し、不確実な定量化性能に優れたことを示す。

関連論文リスト

• 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)
• Local Bayesian Dirichlet mixing of imperfect models [0.0]
  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。
  論文  参考訳（メタデータ） (2023-11-02T21:02:40Z)
• Investigating Ensemble Methods for Model Robustness Improvement of Text Classifiers [66.36045164286854]
  既存のバイアス機能を分析し、すべてのケースに最適なモデルが存在しないことを実証します。 適切なバイアスモデルを選択することで、より洗練されたモデル設計でベースラインよりもロバスト性が得られる。
  論文  参考訳（メタデータ） (2022-10-28T17:52:10Z)
• Copulaboost: additive modeling with copula-based model components [0.0]
  本稿では,ペアコプラ構造に基づくモデル成分を用いた一般化加法モデルを提案する。 提案手法は,他の手法よりも優れている,あるいは同等の予測性能を有することを示す。
  論文  参考訳（メタデータ） (2022-08-09T11:24:57Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Split Modeling for High-Dimensional Logistic Regression [0.2676349883103404]
  短時間コンパイルしたアンサンブルロジスティック分類モデルに対して,新しい手法を提案する。 本手法は,予測精度に優れたバイアスオフの活用法を学習する。 提案手法を実装したオープンソースソフトウェアライブラリを議論する。
  論文  参考訳（メタデータ） (2021-02-17T05:57:26Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [55.28436972267793]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)
• Control as Hybrid Inference [62.997667081978825]
  本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。 連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
  論文  参考訳（メタデータ） (2020-07-11T19:44:09Z)
• 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。