論文の概要: Gradient Boosting for Spatial Regression Models with Autoregressive Disturbances

• arxiv url: http://arxiv.org/abs/2506.13682v1
• Date: Mon, 16 Jun 2025 16:40:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:48.999357
• Title: Gradient Boosting for Spatial Regression Models with Autoregressive Disturbances
• Title（参考訳）: 自己回帰的外乱を伴う空間回帰モデルのグラディエントブースティング
• Authors: Michael Balzer,
• Abstract要約: 自己回帰障害を伴う空間回帰モデルに対して,新しいモデルに基づく勾配促進アルゴリズムを提案する。 このアルゴリズムは、高次元の設定でも実現可能な代替推定手順を提供する。 ケーススタディでは、潜在的な空間依存構造を取り入れたドイツ地区の寿命をモデル化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Researchers in urban and regional studies increasingly deal with spatial data that reflects geographic location and spatial relationships. As a framework for dealing with the unique nature of spatial data, various spatial regression models have been introduced. In this article, a novel model-based gradient boosting algorithm for spatial regression models with autoregressive disturbances is proposed. Due to the modular nature, the approach provides an alternative estimation procedure which is feasible even in high-dimensional settings where established quasi-maximum likelihood or generalized method of moments estimators do not yield unique solutions. The approach additionally enables data-driven variable and model selection in low- as well as high-dimensional settings. Since the bias-variance trade-off is also controlled in the algorithm, implicit regularization is imposed which improves prediction accuracy on out-of-sample spatial data. Detailed simulation studies regarding the performance of estimation, prediction and variable selection in low- and high-dimensional settings confirm proper functionality of the proposed methodology. To illustrative the functionality of the model-based gradient boosting algorithm, a case study is presented where the life expectancy in German districts is modeled incorporating a potential spatial dependence structure.
• Abstract（参考訳）: 都市・地域研究の研究者は、地理的な位置と空間的関係を反映した空間的データを扱うようになった。 空間データの固有性を扱うためのフレームワークとして,様々な空間回帰モデルが導入されている。 本稿では, 自己回帰障害を伴う空間回帰モデルに対するモデルベース勾配向上アルゴリズムを提案する。 モジュラー性のため、この手法は、確立された準最大確率やモーメント推定器が一意な解を得ないような高次元の設定でも実現可能な代替推定方法を提供する。 このアプローチはまた、低次元および高次元の設定におけるデータ駆動変数とモデル選択を可能にする。 バイアス分散トレードオフもアルゴリズムで制御されるため、サンプル外空間データの予測精度を向上させる暗黙の正規化が課される。 低次元と高次元の設定における推定,予測,変数選択の性能に関する詳細なシミュレーション研究により,提案手法の適切な機能が確認された。 モデルに基づく勾配促進アルゴリズムの機能を示すために,ドイツ地区における平均寿命を,潜在的空間依存構造を取り入れたモデルを用いたケーススタディを提案する。

関連論文リスト

• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• BARTSIMP: flexible spatial covariate modeling and prediction using Bayesian additive regression trees [0.0]
  本稿では,ガウス過程空間モデルとベイズ加法回帰木(BART)モデルの組み合わせについて検討する。 マルコフ連鎖モンテカルロとIntegrated Nested Laplace Approximation (INLA)技術を組み合わせることにより、アプローチの計算負担を低減させる。 次に、このモデルを用いてケニアの人文的反応を予測し、複雑なサンプリング設計を用いてデータを収集する。
  論文  参考訳（メタデータ） (2023-09-23T05:35:17Z)
• Simulation-based Inference for High-dimensional Data using Surjective Sequential Neural Likelihood Estimation [45.9982965995401]
  我々はSBI(Surjective Sequential Neural Likelihood Estimation)という,シミュレーションベース推論(SBI)手法のファミリーにおける新しいメンバーを提案する。 SSNL は次元共振型正規化フローモデルに適合し、マルコフ連鎖モンテカルロあるいは変分ベイズ法による計算推論を可能にする代理可能性関数として利用する。 SSNLは、天体物理学と神経科学の文献から得られた2つの挑戦的な実例を含む、多種多様な実験で評価し、その成果が、最先端の手法に匹敵するか、同等であることを示す。
  論文  参考訳（メタデータ） (2023-08-02T10:02:38Z)
• Reconstructing Spatiotemporal Data with C-VAEs [49.1574468325115]
  移動領域の条件付き連続表現は一般的に用いられる。 本研究では,条件変数自動エンコーダ(C-VAE)モデルを用いて,領域の進化を現実的に表現する機能について検討する。
  論文  参考訳（メタデータ） (2023-07-12T15:34:10Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Adaptive LASSO estimation for functional hidden dynamic geostatistical model [69.10717733870575]
  関数型隠れ統計モデル(f-HD)のためのペナル化極大推定器(PMLE)に基づく新しいモデル選択アルゴリズムを提案する。 このアルゴリズムは反復最適化に基づいており、適応最小限の収縮・セレクタ演算子(GMSOLAS)ペナルティ関数を用いており、これは不給付のf-HD最大線量推定器によって得られる。
  論文  参考訳（メタデータ） (2022-08-10T19:17:45Z)
• Bayesian Spatial Predictive Synthesis [8.66529877559667]
  空間依存は、空間データ分析と予測において、一般的で重要な問題である。 本研究では,空間的に変化するモデルの不確実性を捉える新しいベイズアンサンブル手法を提案する。 本手法は, 予測性能に対する有限サンプル理論的保証を提供する。
  論文  参考訳（メタデータ） (2022-03-10T07:16:29Z)
• Modeling Massive Spatial Datasets Using a Conjugate Bayesian Linear Regression Framework [0.0]
  階層的モデリングフレームワークに簡単に組み込むことのできる、様々なスケーラブルな空間プロセスモデルが提案されている。 本稿では,空間過程の推論を迅速に行うことができる共役ベイズ線形回帰モデルとして,点参照空間過程モデルをどうキャストするかを論じる。
  論文  参考訳（メタデータ） (2021-09-09T17:46:00Z)

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。