論文の概要: On Quantile Regression Forests for Modelling Mixed-Frequency and Longitudinal Data

• arxiv url: http://arxiv.org/abs/2502.17137v1
• Date: Mon, 24 Feb 2025 13:27:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:56:34.672439
• Title: On Quantile Regression Forests for Modelling Mixed-Frequency and Longitudinal Data
• Title（参考訳）: 混合周波数・縦波データモデリングのための量子回帰林について
• Authors: Mila Andreani,
• Abstract要約: この論文の目的は、混合周波数と長手データを扱うために、QRF(Quantile Regression Forest)アルゴリズムの適用を拡張することである。 標準統計手法を用いて、MIDAS-QRF(Mixed- Frequency Quantile Regression Forest)とFM-QRF(Finite Mixture Quantile Regression Forest)という2つの新しいアルゴリズムを構築している。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The aim of this thesis is to extend the applications of the Quantile Regression Forest (QRF) algorithm to handle mixed-frequency and longitudinal data. To this end, standard statistical approaches have been exploited to build two novel algorithms: the Mixed- Frequency Quantile Regression Forest (MIDAS-QRF) and the Finite Mixture Quantile Regression Forest (FM-QRF). The MIDAS-QRF combines the flexibility of QRF with the Mixed Data Sampling (MIDAS) approach, enabling non-parametric quantile estimation with variables observed at different frequencies. FM-QRF, on the other hand, extends random effects machine learning algorithms to a QR framework, allowing for conditional quantile estimation in a longitudinal data setting. The contributions of this dissertation lie both methodologically and empirically. Methodologically, the MIDAS-QRF and the FM-QRF represent two novel approaches for handling mixed-frequency and longitudinal data in QR machine learning framework. Empirically, the application of the proposed models in financial risk management and climate-change impact evaluation demonstrates their validity as accurate and flexible models to be applied in complex empirical settings.
• Abstract（参考訳）: この論文の目的は、混合周波数と長手データを扱うために、QRF(Quantile Regression Forest)アルゴリズムの応用を拡張することである。 この目的のために、標準統計手法を用いて、MIDAS-QRF(Mixed- Frequency Quantile Regression Forest)とFM-QRF(Finite Mixture Quantile Regression Forest)という2つの新しいアルゴリズムを構築している。 MIDAS-QRFは、QRFの柔軟性とMIDAS(Mixed Data Sampling)アプローチを組み合わせることで、異なる周波数で観測される変数による非パラメトリック量子化推定を可能にする。 一方、FM-QRFはランダムエフェクト機械学習アルゴリズムをQRフレームワークに拡張し、縦方向のデータ設定における条件付き量子化推定を可能にする。 この論文の貢献は、方法論と実証の両方にある。 方法論的には、MIDAS-QRFとFM-QRFは、QR機械学習フレームワークにおける混合周波数データと長手データを扱うための2つの新しいアプローチである。 実験的に、金融リスク管理および気候変動影響評価における提案モデルの適用は、複雑な経験的環境に適用するための正確で柔軟なモデルとしての有効性を示す。

関連論文リスト

• Semiparametric inference for impulse response functions using double/debiased machine learning [49.1574468325115]
  本稿では,インパルス応答関数(IRF)に対する機械学習推定手法を提案する。 提案した推定器は、処理と結果変数の完全な非パラメトリック関係に依存することができ、柔軟な機械学習アプローチを用いてIRFを推定することができる。
  論文  参考訳（メタデータ） (2024-11-15T07:42:02Z)
• Q-MRS: A Deep Learning Framework for Quantitative Magnetic Resonance Spectra Analysis [13.779430559468926]
  本研究では,トランスファーラーニングを用いたディープラーニング(DL)フレームワークを導入し,シミュレーションデータセット上でモデルを事前学習し,生体内データの微調整を行う。 提案したフレームワークは,BIG GABAレポジトリのPhilipsデータセットに適用した場合,有望なパフォーマンスを示した。
  論文  参考訳（メタデータ） (2024-08-28T18:05:53Z)
• QC-Forest: a Classical-Quantum Algorithm to Provably Speedup Retraining of Random Forest [2.6436521007616114]
  ランダムフォレスト(Random Forest, RF)は、教師あり学習法として人気があり、使いやすさと柔軟性で評価されている。 オンラインRFモデルは、モデルの精度を維持するために、新しいトレーニングデータを考慮する必要がある。 ストリーミング環境でのRFモデルの時間効率向上を目的とした古典量子アルゴリズムQC-Forestを提案する。
  論文  参考訳（メタデータ） (2024-06-17T18:21:03Z)
• Markovian Flow Matching: Accelerating MCMC with Continuous Normalizing Flows [2.2530496464901106]
  連続正規化フロー(CNF)は、ニューラルネットワークを用いて前記経路を生成するベクトル場をモデル化することにより、基準分布と目標分布の間の確率経路を学習する。 近年,Lipman et al. (2022) は生成モデルにおけるCNFsの簡易かつ安価な学習法であるフローマッチング (FM) を導入した。 本稿では,この手法をマルコフサンプリング法をFM目標評価に応用し,学習したCNFを用いてモンテカルロサンプリングを改善することにより,確率的推論に再利用する。
  論文  参考訳（メタデータ） (2024-05-23T10:08:19Z)
• Score-based Source Separation with Applications to Digital Communication Signals [72.6570125649502]
  拡散モデルを用いた重畳音源の分離手法を提案する。 高周波(RF)システムへの応用によって、我々は、基礎となる離散的な性質を持つ情報源に興味を持っている。 提案手法は,最近提案されたスコア蒸留サンプリング方式のマルチソース拡張と見なすことができる。
  論文  参考訳（メタデータ） (2023-06-26T04:12:40Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)
• Estimation of Switched Markov Polynomial NARX models [75.91002178647165]
  非線形自己回帰(NARX)成分を特徴とするハイブリッド力学系のモデル群を同定する。 提案手法は, 特定の回帰器を持つ3つの非線形サブモデルからなるSMNARX問題に対して実証される。
  論文  参考訳（メタデータ） (2020-09-29T15:00:47Z)
• QR-MIX: Distributional Value Function Factorisation for Cooperative Multi-Agent Reinforcement Learning [5.564793925574797]
  MARL(Multi-Agent Reinforcement Learning)では、エージェントは環境を局所的に独立して観察し、相互作用する。 局所的な観測とランダムサンプリングにより、報酬や観察のランダム性は、長期的なリターンのランダム性をもたらす。 価値分解ネットワーク(VDN)やQMIXといった既存の手法は、乱数性の情報を含まないスカラーとして長期的なリターンの値を推定する。
  論文  参考訳（メタデータ） (2020-09-09T10:28:44Z)
• Two-step penalised logistic regression for multi-omic data with an application to cardiometabolic syndrome [62.997667081978825]
  我々は,各層で変数選択を行うマルチオミックロジスティック回帰に対する2段階のアプローチを実装した。 私たちのアプローチは、可能な限り多くの関連する予測子を選択することを目標とすべきです。 提案手法により,分子レベルでの心筋メタボリックシンドロームの特徴を同定することができる。
  論文  参考訳（メタデータ） (2020-08-01T10:36:27Z)
• Q-GADMM: Quantized Group ADMM for Communication Efficient Decentralized Machine Learning [66.18202188565922]
  我々はQGADMM(QGADMM)という通信効率の高い分散機械学習(ML)アルゴリズムを提案する。 我々は,凸関数に対するQGADMMの収束性を証明しつつ,モデル化レベルとその確率を適応的に調整する新しい量子化法を開発した。
  論文  参考訳（メタデータ） (2019-10-23T10:47:06Z)

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。