論文の概要: SEMF: Supervised Expectation-Maximization Framework for Predicting Intervals
- arxiv url: http://arxiv.org/abs/2405.18176v3
- Date: Wed, 02 Oct 2024 09:25:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-03 15:18:16.885897
- Title: SEMF: Supervised Expectation-Maximization Framework for Predicting Intervals
- Title(参考訳): SEMF: インターバル予測のための期待最大化フレームワーク
- Authors: Ilia Azizi, Marc-Olivier Boldi, Valérie Chavez-Demoulin,
- Abstract要約: Supervised expectation-Maximization Framework (SEMF)は、完全なデータまたは欠落したデータセットの予測間隔を生成するための汎用的でモデルに依存しないアプローチである。
SEMFは、従来教師なし学習で用いられてきた期待最大化アルゴリズムを教師付き文脈に拡張し、不確実性推定に潜在変数モデリングを利用する。
- 参考スコア(独自算出の注目度): 0.8192907805418583
- License:
- Abstract: This work introduces the Supervised Expectation-Maximization Framework (SEMF), a versatile and model-agnostic approach for generating prediction intervals in datasets with complete or missing data. SEMF extends the Expectation-Maximization algorithm, traditionally used in unsupervised learning, to a supervised context, leveraging latent variable modeling for uncertainty estimation. Extensive empirical evaluations across 11 tabular datasets show that SEMF often achieves narrower normalized prediction intervals and higher coverage rates than traditional quantile regression methods. Furthermore, SEMF can be integrated with machine learning models like gradient-boosted trees and neural networks, highlighting its practical applicability. The results indicate that SEMF enhances uncertainty quantification, particularly in scenarios with complete data.
- Abstract(参考訳): この研究は、完全なデータまたは欠落したデータセットの予測間隔を生成するための汎用的でモデルに依存しないアプローチであるSupervised expectation-Maximization Framework (SEMF)を導入している。
SEMFは、従来教師なし学習で用いられてきた期待最大化アルゴリズムを教師付き文脈に拡張し、不確実性推定に潜在変数モデリングを利用する。
SEMFは従来の量子レグレッション法よりも狭い正規化予測間隔と高いカバレッジ率を達成することが多い。
さらに、SEMFは勾配木やニューラルネットワークのような機械学習モデルと統合することができ、実用性を強調している。
その結果,SEMFは不確かさの定量化を促進することが示唆された。
関連論文リスト
- Advancing Cross-Domain Generalizability in Face Anti-Spoofing: Insights, Design, and Metrics [10.631157315662607]
本稿では,ゼロショットデータ領域の一般化におけるアンチ・スプーフィング性能の向上に向けた新たな視点を提案する。
従来のフレームワイドのスプーフィング予測に先立ち、ビデオワイドの予測のためにフレームレベルの確率を集約するニュアンス付き計量計算を導入する。
最終モデルは、データセット全体で既存の最先端メソッドよりも優れています。
論文 参考訳(メタデータ) (2024-06-18T04:15:22Z) - Probabilistic Weather Forecasting with Hierarchical Graph Neural Networks [17.64833210797824]
本稿では,Graph-EFMと呼ばれる確率的天気予報モデルを提案する。
このモデルは、柔軟な潜在変数の定式化とグラフベースの予測フレームワークを結合する。
Graph-EFMのアンサンブル予測は、同等の決定論的モデルよりも同等または低いエラーを達成する。
論文 参考訳(メタデータ) (2024-06-07T09:01:25Z) - Posterior Uncertainty Quantification in Neural Networks using Data Augmentation [3.9860047080844807]
深層アンサンブルは,既存の観測結果にのみ,将来のデータがサポートされることを前提として,基本的に不特定モデルクラスであることを示す。
一般的なデータ拡張手法を用いて,より現実的な予測分布を構築する手法であるMixupMPを提案する。
実験により,MixupMPは様々な画像分類データセットにおいて,優れた予測性能と不確かさの定量化を実現することが示された。
論文 参考訳(メタデータ) (2024-03-18T17:46:07Z) - Skeleton2vec: A Self-supervised Learning Framework with Contextualized
Target Representations for Skeleton Sequence [56.092059713922744]
予測対象として高レベルな文脈化機能を使用することで,優れた性能が得られることを示す。
具体的には、シンプルで効率的な3D行動表現学習フレームワークであるSkeleton2vecを提案する。
提案するSkeleton2vecは,従来の手法より優れ,最先端の結果が得られる。
論文 参考訳(メタデータ) (2024-01-01T12:08:35Z) - Uncertainty in Extreme Multi-label Classification [81.14232824864787]
eXtreme Multi-label Classification (XMC)は、Webスケールの機械学習アプリケーションにおいて、ビッグデータの時代において不可欠なタスクである。
本稿では,確率的アンサンブルに基づく木系XMCモデルの一般的な不確実性定量化手法について検討する。
特に,XMCにおけるラベルレベルおよびインスタンスレベルの不確実性を解析し,ビームサーチに基づく一般的な近似フレームワークを提案する。
論文 参考訳(メタデータ) (2022-10-18T20:54:33Z) - Reducing Overconfidence Predictions for Autonomous Driving Perception [3.1428836133120543]
対象認識のためのSoftMaxやSigmoidベースの予測よりも,最大a-Posteriori(MAP)関数と最大a-Posteriori(MAP)関数の方が確率論的解釈に適していることを示す。
MLとMAP関数は、既存のトレーニングネットワーク、すなわち、事前トレーニングされたネットワークのLogit層の出力によるアプローチの恩恵を受けることができる。
論文 参考訳(メタデータ) (2022-02-16T01:59:55Z) - Domain-Adjusted Regression or: ERM May Already Learn Features Sufficient
for Out-of-Distribution Generalization [52.7137956951533]
既存の特徴から予測器を学習するためのよりシンプルな手法を考案することは、将来の研究にとって有望な方向である、と我々は主張する。
本稿では,線形予測器を学習するための凸目標である領域調整回帰(DARE)を紹介する。
自然モデルの下では、DARE解が制限されたテスト分布の集合に対する最小最適予測器であることを証明する。
論文 参考訳(メタデータ) (2022-02-14T16:42:16Z) - A Hierarchical Variational Neural Uncertainty Model for Stochastic Video
Prediction [45.6432265855424]
本稿では,モデルの予測不確かさの原理的定量化であるニューラル不確実性量化器(NUQ)を紹介する。
提案するフレームワークは,最先端モデルと比較して効果的に訓練する。
論文 参考訳(メタデータ) (2021-10-06T00:25:22Z) - Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic
Regression [51.770998056563094]
PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。
既存の最先端手法と比較してPGBMの利点を実証的に示す。
論文 参考訳(メタデータ) (2021-06-03T08:32:13Z) - Probabilistic electric load forecasting through Bayesian Mixture Density
Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。
ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。
後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文 参考訳(メタデータ) (2020-12-23T16:21:34Z) - A maximum-entropy approach to off-policy evaluation in average-reward
MDPs [54.967872716145656]
この研究は、無限水平非カウントマルコフ決定過程(MDPs)における関数近似を伴うオフ・ポリティ・アセスメント(OPE)に焦点を当てる。
提案手法は,第1の有限サンプル OPE 誤差境界であり,既存の結果がエピソードおよびディスカウントケースを超えて拡張される。
この結果から,教師あり学習における最大エントロピー的アプローチを並列化して,十分な統計値を持つ指数関数型家族分布が得られた。
論文 参考訳(メタデータ) (2020-06-17T18:13:37Z)
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。