Fugu-MT 論文翻訳(概要): Fréchet regression for multi-label feature selection with implicit regularization

論文の概要: Fréchet regression for multi-label feature selection with implicit regularization

arxiv url: http://arxiv.org/abs/2412.18247v1
Date: Tue, 24 Dec 2024 08:02:28 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-25 19:23:17.71039
Title: Fréchet regression for multi-label feature selection with implicit regularization
Title（参考訳）: 暗黙正則化を用いた複数ラベル特徴選択のためのフレシェ回帰
Authors: Dou El Kefel Mansouri, Seif-Eddine Benkabou, Khalid Benabdeslem,
Abstract要約: 従来の明示的正規化手法の代わりに暗黙的正規化を用いる新しい変数選択法を提案する。提案手法は,モデル間隔を推し進めながら,述語トレーサと応答の非線形相互作用を効果的に捕捉する。
参考スコア（独自算出の注目度）: 1.5771347525430772
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Fr\'echet regression extends linear regression to model complex responses in metric spaces, making it particularly relevant for multi-label regression, where each instance can have multiple associated labels. However, variable selection within this framework remains underexplored. In this paper, we pro pose a novel variable selection method that employs implicit regularization instead of traditional explicit regularization approaches, which can introduce bias. Our method effectively captures nonlinear interactions between predic tors and responses while promoting model sparsity. We provide theoretical results demonstrating selection consistency and illustrate the performance of our approach through numerical examples
Abstract（参考訳）: Fr'echet回帰は、距離空間における複素応答をモデル化するために線形回帰を拡張し、各インスタンスが複数の関連ラベルを持つような多重ラベル回帰に特に関係している。しかし、このフレームワーク内での変数の選択は未定のままである。本稿では,従来の明示的正規化手法の代わりに暗黙的正規化を用いた新しい変数選択法を提案する。提案手法は,モデル間隔を推し進めながら,述語トレーサと応答の非線形相互作用を効果的に捕捉する。選択整合性を示す理論的結果を提供し、数値例によるアプローチの性能を示す。

関連論文リスト

RieszBoost: Gradient Boosting for Riesz Regression [49.737777802061984]
本稿では,Riesz表現子を直接推定するために,その明示的な解析形式を必要とせず,新たな勾配向上アルゴリズムを提案する。提案アルゴリズムは,様々な関数を対象とした間接推定手法と同等以上の性能を示す。
論文参考訳（メタデータ） (2025-01-08T23:04:32Z)
Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-10-02T04:01:38Z)
Adaptive Collaborative Correlation Learning-based Semi-Supervised Multi-Label Feature Selection [25.195711274756334]
適応的協調相関 lEarning-based Semi-Supervised Multi-label Feature Selection (Access-MFS) 法を提案する。具体的には、拡張された非相関制約を備えた一般化回帰モデルを導入し、識別的かつ無関係な特徴を選択する。相関インスタンスとラベル相関を提案回帰モデルに統合し,サンプル類似度グラフとラベル類似度グラフの両方を適応的に学習する。
論文参考訳（メタデータ） (2024-06-18T01:47:38Z)
Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
論文参考訳（メタデータ） (2024-06-05T13:36:38Z)
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)
Multi-Response Heteroscedastic Gaussian Process Models and Their Inference [1.52292571922932]
本稿ではヘテロセダスティック共分散関数のモデリングのための新しいフレームワークを提案する。後部モデルに近似し, 後部予測モデルを容易にするために, 変分推論を用いる。提案するフレームワークは,幅広いアプリケーションに対して,堅牢で汎用的なツールを提供する。
論文参考訳（メタデータ） (2023-08-29T15:06:47Z)
Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文参考訳（メタデータ） (2023-06-09T08:30:51Z)
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)
Correcting for Selection Bias and Missing Response in Regression using Privileged Information [1.5049442691806052]
本稿では,Privilegedly Missing at Random(PMAR)に適した繰り返し回帰法を提案する。提案手法の性能をシミュレーション実験により実証的に評価し,実世界のデータセットを合成的に拡張した。
論文参考訳（メタデータ） (2023-03-29T15:42:17Z)
Less is More: Mitigate Spurious Correlations for Open-Domain Dialogue Response Generation Models by Causal Discovery [52.95935278819512]
本研究で得られたCGDIALOGコーパスに基づくオープンドメイン応答生成モデルのスプリアス相関に関する最初の研究を行った。因果探索アルゴリズムに着想を得て,反応生成モデルの学習と推論のための新しいモデル非依存手法を提案する。
論文参考訳（メタデータ） (2023-03-02T06:33:48Z)
Variational Hierarchical Mixtures for Probabilistic Learning of Inverse Dynamics [20.953728061894044]
適切に校正された確率回帰モデルは、データセットが急速に成長し、タスクがより複雑になるにつれて、ロボットアプリケーションにおいて重要な学習要素である。計算効率のよい表現と計算複雑性の正規化を両世界の利点と組み合わせた確率論的階層的モデリングパラダイムを考察する。これらの表現を学習するための2つの効率的な変分推論手法を導出し、階層的無限局所回帰モデルの利点を強調する。
論文参考訳（メタデータ） (2022-11-02T13:54:07Z)
Flexible variable selection in the presence of missing data [0.0]
本稿では,非パラメトリックな変数選択アルゴリズムと多重計算を組み合わせることで,非ランダムなデータが存在する場合のフレキシブルなパネルの開発を行う。提案手法の動作特性は良好であり,より高い分類性能と可変選択性能を有するパネルが得られた。
論文参考訳（メタデータ） (2022-02-25T21:41:03Z)
Random Forest Weighted Local Fréchet Regression with Random Objects [18.128663071848923]
本稿では,新しいランダム森林重み付き局所Fr'echet回帰パラダイムを提案する。最初の方法は、これらの重みを局所平均として、条件付きFr'echet平均を解くことである。第二の手法は局所線形Fr'echet回帰を行い、どちらも既存のFr'echet回帰法を大幅に改善した。
論文参考訳（メタデータ） (2022-02-10T09:10:59Z)
Machine Learning for Multi-Output Regression: When should a holistic multivariate approach be preferred over separate univariate ones? [62.997667081978825]
ランダムフォレストのような木に基づくアンサンブルは、統計学の手法の中で近代的な古典である。これらの手法を広範囲なシミュレーションで比較し,多変量アンサンブル技術を用いた場合の主問題に答える。
論文参考訳（メタデータ） (2022-01-14T08:44:25Z)
Communication-Efficient Distributed Quantile Regression with Optimal Statistical Guarantees [2.064612766965483]
本稿では,分散量子レグレッションにおいて,厳密なスケーリング条件を伴わずに最適な推論を実現する方法の課題に対処する。この問題は、ローカル(各データソース)とグローバルな目的関数に適用される二重平滑化アプローチによって解決される。局所的および大域的滑らか化パラメータの微妙な組み合わせに依存するにもかかわらず、量子回帰モデルは完全にパラメトリックである。
論文参考訳（メタデータ） (2021-10-25T17:09:59Z)
Spatially and Robustly Hybrid Mixture Regression Model for Inference of Spatial Dependence [15.988679065054498]
本研究では,空間領域上での応答変数と説明変数の集合との関係を検討するために,空間ロバスト混合回帰モデルを提案する。本手法は, 空間的非定常性, 局所的均一性, 外れ値の同時処理を行うために, 空間的制約を伴う頑健な有限混合ガウス回帰モデルを統合する。多くの合成および実世界のデータセットに対する実験結果から,提案手法のロバスト性,精度,有効性が確認された。
論文参考訳（メタデータ） (2021-09-01T16:29:46Z)
Causally-motivated Shortcut Removal Using Auxiliary Labels [63.686580185674195]
このようなリスク不変予測器の学習に重要な課題はショートカット学習である。この課題に対処するために、フレキシブルで因果的なアプローチを提案する。この因果的動機付けされた正規化スキームが堅牢な予測子を生み出すことを理論的および実証的に示す。
論文参考訳（メタデータ） (2021-05-13T16:58:45Z)
Nonlinear Independent Component Analysis for Continuous-Time Signals [85.59763606620938]
このプロセスの混合物の観察から多次元音源過程を復元する古典的問題を考察する。このリカバリは、この混合物が十分に微分可能で可逆な関数によって与えられる場合、多くの一般的なプロセスのモデル(座標の順序と単調スケーリングまで)に対して可能であることを示す。
論文参考訳（メタデータ） (2021-02-04T20:28:44Z)
Reduced-Rank Tensor-on-Tensor Regression and Tensor-variate Analysis of Variance [11.193504036335503]
このような構造を利用するために古典的多変量回帰モデルを拡張する。ブロックリラクシエーションアルゴリズムにより最大ラピエーション推定器を得る。別々のアプリケーションがWildイメージデータベースのラベル付き顔に3方向のTANOVAを実行する。
論文参考訳（メタデータ） (2020-12-18T14:04:41Z)
Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
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)

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。