論文の概要: The use of cross validation in the analysis of designed experiments

• arxiv url: http://arxiv.org/abs/2506.14593v1
• Date: Tue, 17 Jun 2025 14:58:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.531399
• Title: The use of cross validation in the analysis of designed experiments
• Title（参考訳）: 設計実験におけるクロスバリデーションの利用
• Authors: Maria L. Weese, Byran J. Smucker, David J. Edwards,
• Abstract要約: クロスバリデーション(CV)は機械学習手法をチューニングするための一般的な手法であり、回帰のモデル選択にも使用できる。 文献は、小型で伝統的な実験デザインの構造上の性質から、その分析にCVを使用することを警告している。 小型ブートストラップを含む設計実験におけるモデル選択方法と比較して,CVの有効性を実証的に検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-validation (CV) is a common method to tune machine learning methods and can be used for model selection in regression as well. Because of the structured nature of small, traditional experimental designs, the literature has warned against using CV in their analysis. The striking increase in the use of machine learning, and thus CV, in the analysis of experimental designs, has led us to empirically study the effectiveness of CV compared to other methods of selecting models in designed experiments, including the little bootstrap. We consider both response surface settings where prediction is of primary interest, as well as screening where factor selection is most important. Overall, we provide evidence that the use of leave-one-out cross-validation (LOOCV) in the analysis of small, structured is often useful. More general $k$-fold CV may also be competitive but its performance is uneven.
• Abstract（参考訳）: クロスバリデーション(CV)は機械学習手法をチューニングするための一般的な手法であり、回帰のモデル選択にも使用できる。 文献は、小型で伝統的な実験デザインの構造上の性質から、その分析にCVを使用することを警告している。 機械学習の利用が著しく増加し,実験設計の分析においてCVは,小さなブートストラップを含む設計実験において,他のモデルを選択する方法と比較して,CVの有効性を実証的に研究するに至った。 我々は,予測が主眼となる応答面設定と,因子選択がもっとも重要である場所のスクリーニングの両方について検討する。 全体として,小構造解析におけるLOOCV(Left-out-out Cross-validation)の使用が有用であることを示す。 より一般的な$k$-fold CVも競争力があるかもしれないが、性能は不均一である。

関連論文リスト

• On the use of adversarial validation for quantifying dissimilarity in geospatial machine learning prediction [1.1470070927586018]
  本稿では,データ特徴空間の観点から,0～100%間隔における相似性を定量化する手法を提案する。 提案手法は逆検証(DAV)により異種性(dissimilarity)と呼ばれる。
  論文  参考訳（メタデータ） (2024-04-19T01:48:21Z)
• Empirical Comparison between Cross-Validation and Mutation-Validation in Model Selection [1.187456026346823]
  ベンチマークと実世界のデータセットを用いて,MV と $k$-fold CV を実証的に比較した。 その結果,MVとCVは,ほぼ等価な一般化性能を持つモデルを選択することがわかった。 MVはより単純なモデルを選択し、計算コストを下げるという点で優位性を示した。
  論文  参考訳（メタデータ） (2023-11-23T16:14:24Z)
• Improving Heterogeneous Model Reuse by Density Estimation [105.97036205113258]
  本稿では,異なる参加者の個人データを用いてモデルを学習することを目的とした多人数学習について検討する。 モデルの再利用は、各パーティーのためにローカルモデルがトレーニングされていると仮定して、マルチパーティの学習にとって有望なソリューションである。
  論文  参考訳（メタデータ） (2023-05-23T09:46:54Z)
• Online simulator-based experimental design for cognitive model selection [74.76661199843284]
  本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。 シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
  論文  参考訳（メタデータ） (2023-03-03T21:41:01Z)
• Towards Robust Visual Question Answering: Making the Most of Biased Samples via Contrastive Learning [54.61762276179205]
  我々は,ビザドサンプルを最大限に活用することで,ロバストなVQAモデルを構築するための新しいコントラスト学習手法 MMBS を提案する。 具体的には、元のトレーニングサンプルからスプリアス相関に関連する情報を排除し、比較学習のための正のサンプルを構築する。 我々は,OODデータセットのVQA-CP v2において,IDデータセットのVQA v2上での堅牢なパフォーマンスを維持しながら,競争性能を達成することで,コントリビューションを検証した。
  論文  参考訳（メタデータ） (2022-10-10T11:05:21Z)
• MRCLens: an MRC Dataset Bias Detection Toolkit [82.44296974850639]
  MRCLensは,ユーザがフルモデルをトレーニングする前に,バイアスが存在するかどうかを検出するツールキットである。 ツールキットの導入の便宜のために,MDCにおける共通バイアスの分類も提供する。
  論文  参考訳（メタデータ） (2022-07-18T21:05:39Z)
• TTAPS: Test-Time Adaption by Aligning Prototypes using Self-Supervision [70.05605071885914]
  本研究では,単体テストサンプルに適用可能な自己教師付きトレーニングアルゴリズムSwaVの新たな改良を提案する。 ベンチマークデータセットCIFAR10-Cにおいて,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-05-18T05:43:06Z)
• Confidence intervals for the Cox model test error from cross-validation [91.3755431537592]
  クロスバリデーション(CV)は、モデルの試験誤差を推定する統計学習において最も広く使われている手法の1つである。 CVからの推定値を用いたテストエラーの標準信頼区間は、名目レベル以下である可能性がある。 この問題の1つの方法は、ネストされたCVを使って予測誤差の平均2乗誤差を推定することである。
  論文  参考訳（メタデータ） (2022-01-26T06:40:43Z)
• Leave Zero Out: Towards a No-Cross-Validation Approach for Model Selection [21.06860861548758]
  cross validation (cv) はモデル選択の主要な作業馬である。 CVは、限られたデータの一部が検証のために保たなければならないため、保守的にバイアスのある推定に苦しむ。 CVは、繰り返しの訓練手順のために、例えば、耐え難い時間を要する傾向があります。
  論文  参考訳（メタデータ） (2020-12-24T16:11:53Z)
• Estimating the Prediction Performance of Spatial Models via Spatial k-Fold Cross Validation [1.7205106391379026]
  機械学習では、モデルの性能を評価するときにデータが独立していると仮定することが多い。 空間自己相関(spatial autocorrelation, SAC)は、標準クロスバリデーション(CV)法により、楽観的に偏りのある予測性能推定を生成する。 本研究では,SACによる楽観的バイアスを伴わないモデル予測性能を評価するため,空間k-fold Cross Validation (SKCV) と呼ばれるCV法の改良版を提案する。
  論文  参考訳（メタデータ） (2020-05-28T19:55:18Z)

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。