Fugu-MT 論文翻訳(概要): Robust Variable Selection for High-dimensional Regression with Missing Data and Measurement Errors

論文の概要: Robust Variable Selection for High-dimensional Regression with Missing Data and Measurement Errors

arxiv url: http://arxiv.org/abs/2410.16722v2
Date: Wed, 23 Oct 2024 16:10:39 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-24 13:55:32.357231
Title: Robust Variable Selection for High-dimensional Regression with Missing Data and Measurement Errors
Title（参考訳）: 欠測データと測定誤差を有する高次元回帰に対するロバスト可変選択
Authors: Zhenhao Zhang,
Abstract要約: そこで本研究では、ミスや測定誤差データに適用するために、チューニングパラメータを持つ指数損失関数を提案する。逆確率重み付けと加算度エラーモデルを用いて、欠落データや測定誤差に対処する。乳癌のデータセットを用いて本症例を検証した。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: In our paper,we focus on robust variable selection for missing data and measurement error.Missing data and measurement errors can lead to confusing data distribution.We propose an exponential loss function with tuning parameter to apply to Missing and measurement errors data.By adjusting the parameter,the loss functioncan be better and more robust under various different data distributions.We use inverse probability weighting and additivityerrormodels to address missing data and measurement errors.Also,we find that the Atan punishment method works better.We used Monte Carlo simulations to assess the validity of robust variable selection and validated our findings with the breast cancer dataset
Abstract（参考訳）: 本稿では, 欠測データと測定誤差に対するロバストな変数選択に焦点をあて, ミススティングデータと測定誤差がデータ分散を混乱させる可能性があること, パラメータの調整により, 様々なデータ分布において, 損失関数はより良く, より堅牢になる可能性があること, 行方不明データと測定誤差に対処するために逆確率重み付けおよび付加性エラーモデルを用いることにより, Atan の罰法が有効であること, モンテカルロシミュレーションを用いて, 頑健な変数選択の有効性を評価し, 乳がんデータセットによる結果の検証を行った。

関連論文リスト

Beyond the Norms: Detecting Prediction Errors in Regression Models [26.178065248948773]
本稿では,回帰アルゴリズムにおける信頼できない振る舞いを検出するという課題に取り組む。回帰器の出力が特定の不一致(または誤り)を超えた場合、回帰における不確実性の概念を導入する。複数の回帰タスクに対する誤り検出の実証的改善を示す。
論文参考訳（メタデータ） (2024-06-11T05:51:44Z)
Uncertainty Quantification Metrics for Deep Regression [1.1999555634662633]
スカラー化誤差, 誤差, スピアマンランク相関, 負対数類似度について検討した。これらの指標が4つの典型的な不確実性の下でどのように振る舞うかを考察する。以上の結果から,Errorは最も安定かつ解釈可能な指標であるが,AUSEとNLLにもそれぞれのユースケースが存在することが示唆された。
論文参考訳（メタデータ） (2024-05-07T12:46:45Z)
Detecting Errors in a Numerical Response via any Regression Model [21.651775224356214]
ノイズは多くの数値データセットを悩ませ、データ中の記録された値が真の基礎となる値と一致しない可能性がある。真の誤りと自然データゆらぎを区別する妥当性スコアを導入する。また,実世界の数値誤差を伴う5つの回帰データセットを含む新しいエラー検出ベンチマークも提案する。
論文参考訳（メタデータ） (2023-05-26T02:15:26Z)
On Calibrating Diffusion Probabilistic Models [78.75538484265292]
拡散確率モデル(DPM)は様々な生成タスクにおいて有望な結果を得た。そこで本研究では,任意の事前学習DPMを校正する簡単な方法を提案する。キャリブレーション法は1回だけ行い, 得られたモデルをサンプリングに繰り返し使用することができる。
論文参考訳（メタデータ） (2023-02-21T14:14:40Z)
Information FOMO: The unhealthy fear of missing out on information. A method for removing misleading data for healthier models [0.0]
ミスリーディングや不要なデータは、マシンラーニング(ML)モデルの健全性や正確性に大きく影響します。本稿では,データセット内の重要な情報を特定するシーケンシャルな選択法を提案する。これらの不安定性は、基礎となるマップの複雑さの結果であり、極端な事象や重い尾と結びついている。
論文参考訳（メタデータ） (2022-08-27T19:43:53Z)
To Impute or not to Impute? -- Missing Data in Treatment Effect Estimation [84.76186111434818]
我々は,MCM(Mixed Con founded missingness)と呼ばれる新しい欠損機構を同定し,ある欠損度が治療選択を判断し,他の欠損度が治療選択によって決定されることを示した。本研究は,全てのデータを因果的に入力すると,不偏推定を行うために必要な情報を効果的に除去するので,処理効果のモデルが貧弱になることを示す。私たちのソリューションは選択的計算であり、CMMからの洞察を使って、どの変数をインプットすべきで、どの変数をインプットすべきでないかを正確に知らせる。
論文参考訳（メタデータ） (2022-02-04T12:08:31Z)
RIFLE: Imputation and Robust Inference from Low Order Marginals [10.082738539201804]
我々は,不備なデータの存在下での回帰と分類のための統計的推論フレームワークを開発する。我々のフレームワークであるRIFLEは、基礎となるデータ分布の低次モーメントを対応する信頼区間で推定し、分布的に堅牢なモデルを学ぶ。実験の結果,RIFLEは,欠落値の割合が高い場合や,データポイント数が比較的小さい場合には,他のベンチマークアルゴリズムよりも優れていることがわかった。
論文参考訳（メタデータ） (2021-09-01T23:17:30Z)
Tail-to-Tail Non-Autoregressive Sequence Prediction for Chinese Grammatical Error Correction [49.25830718574892]
本稿では,Tail-to-Tail (textbfTtT) という新しいフレームワークを提案する。ほとんどのトークンが正しいので、ソースからターゲットに直接転送でき、エラー位置を推定して修正することができる。標準データセット、特に可変長データセットに関する実験結果は、文レベルの精度、精度、リコール、F1-Measureの観点からTtTの有効性を示す。
論文参考訳（メタデータ） (2021-06-03T05:56:57Z)
Multi-Source Causal Inference Using Control Variates [81.57072928775509]
本稿では,複数のデータソースから因果効果を推定するアルゴリズムを提案する。理論的には、これはATE推定値の分散を減少させる。このフレームワークを結果選択バイアスの下で観測データからの推論に適用する。
論文参考訳（メタデータ） (2021-03-30T21:20:51Z)
Evaluating representations by the complexity of learning low-loss predictors [55.94170724668857]
下流タスクの解決に使用されるデータの表現を評価することの問題点を考察する。本稿では,関心のあるタスクにおける低損失を実現する表現の上に,予測器を学習する複雑性によって表現の質を測定することを提案する。
論文参考訳（メタデータ） (2020-09-15T22:06:58Z)
Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。