論文の概要: Missing value imputation with adversarial random forests -- MissARF

• arxiv url: http://arxiv.org/abs/2507.15681v1
• Date: Mon, 21 Jul 2025 14:44:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:32.448126
• Title: Missing value imputation with adversarial random forests -- MissARF
• Title（参考訳）: 対向無作為林による欠落値計算 --MissARF
• Authors: Pegah Golchian, Jan Kapar, David S. Watson, Marvin N. Wright,
• Abstract要約: 逆数乱数林(MissARF)を用いた新しい,高速で,使い易い数値計算法を提案する。 MissARFは密度推定とデータ合成にARF(Adversarial random forest)を使用している。 実験により、MissARFは、インパルス品質と高速ランタイムの観点から、最先端のシングルおよび複数インパルス法と互換性があることを示した。
• 参考スコア（独自算出の注目度）: 1.9686770963118383
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Handling missing values is a common challenge in biostatistical analyses, typically addressed by imputation methods. We propose a novel, fast, and easy-to-use imputation method called missing value imputation with adversarial random forests (MissARF), based on generative machine learning, that provides both single and multiple imputation. MissARF employs adversarial random forest (ARF) for density estimation and data synthesis. To impute a missing value of an observation, we condition on the non-missing values and sample from the estimated conditional distribution generated by ARF. Our experiments demonstrate that MissARF performs comparably to state-of-the-art single and multiple imputation methods in terms of imputation quality and fast runtime with no additional costs for multiple imputation.
• Abstract（参考訳）: 欠落した値を扱うことは、典型的には計算法によって対処される、生物統計学的な分析において共通の課題である。 本研究では, 逆乱林 (MissARF) を用いた新しい, 高速で, 簡便な計算手法を提案する。 MissARFは密度推定とデータ合成にARF(Adversarial random forest)を使用している。 観測値の欠落を補うため,ARFにより生成された推定条件分布から非欠落値とサンプルを条件とした。 実験により,MissARFは単項計算法と複数計算法とを比較検討し,複数の計算法に要するコストを伴わず,計算精度と実行速度を比較検討した。

関連論文リスト

• Impute With Confidence: A Framework for Uncertainty Aware Multivariate Time Series Imputation [6.559609025645912]
  欠落した値を持つ時系列データは、多くのドメインで一般的である。 既存の手法のほとんどは、モデルの不確実性を見落としているか、それを見積もるメカニズムが欠如している。 本稿では,不確実性を定量化し,有効活用する汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-12T17:11:00Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• A New Benchmark and Reverse Validation Method for Passage-level Hallucination Detection [63.56136319976554]
  大きな言語モデル(LLM)は幻覚を発生させ、ミッションクリティカルなタスクにデプロイすると大きなダメージを与える可能性がある。 本稿では,逆検証に基づく自己チェック手法を提案し,ゼロリソース方式で事実誤りを自動的に検出する。 提案手法と既存のゼロリソース検出手法を2つのデータセット上で実証的に評価した。
  論文  参考訳（メタデータ） (2023-10-10T10:14:59Z)
• ZigZag: Universal Sampling-free Uncertainty Estimation Through Two-Step Inference [54.17205151960878]
  汎用的でデプロイが容易なサンプリング不要のアプローチを導入します。 我々は,最先端手法と同等の信頼性のある不確実性推定を,計算コストを著しく低減した形で生成する。
  論文  参考訳（メタデータ） (2022-11-21T13:23:09Z)
• Pseudo value-based Deep Neural Networks for Multi-state Survival Analysis [9.659041001051415]
  本稿では,多状態生存分析のための擬似値に基づくディープラーニングモデルを提案する。 提案するモデルでは,様々な検閲条件下で最先端の結果が得られた。
  論文  参考訳（メタデータ） (2022-07-12T03:58:05Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• AdaPT-GMM: Powerful and robust covariate-assisted multiple testing [0.7614628596146599]
  偽発見率(FDR)制御を用いた複数検定の実証的ベイズ法を提案する。 本手法は,アダプティブp値しきい値法(AdaPT)をマスク方式の一般化により洗練する。 我々は、AdaPT-GMMと呼ばれる新しい手法が一貫して高出力を実現することを、広範囲にわたるシミュレーションと実データ例で示す。
  論文  参考訳（メタデータ） (2021-06-30T05:06:18Z)
• Risk Minimization from Adaptively Collected Data: Guarantees for Supervised and Policy Learning [57.88785630755165]
  経験的リスク最小化(Empirical Risk Minimization, ERM)は、機械学習のワークホースであるが、適応的に収集されたデータを使用すると、そのモデルに依存しない保証が失敗する可能性がある。 本研究では,仮説クラス上での損失関数の平均値を最小限に抑えるため,適応的に収集したデータを用いた一般的な重み付きERMアルゴリズムについて検討する。 政策学習では、探索がゼロになるたびに既存の文献のオープンギャップを埋める率-最適後悔保証を提供する。
  論文  参考訳（メタデータ） (2021-06-03T09:50:13Z)
• LSDAT: Low-Rank and Sparse Decomposition for Decision-based Adversarial Attack [74.5144793386864]
  LSDATは、入力サンプルのスパース成分と対向サンプルのスパース成分によって形成される低次元部分空間における摂動を加工する。 LSDは画像ピクセル領域で直接動作し、スパース性などの非$ell$制約が満たされることを保証します。
  論文  参考訳（メタデータ） (2021-03-19T13:10:47Z)
• Uncertainty-Gated Stochastic Sequential Model for EHR Mortality Prediction [6.170898159041278]
  本稿では,欠落変数の分布を推定し,隠れ状態の更新を行い,院内死亡の可能性を予測できる新しい変動再帰ネットワークを提案する。 我々のモデルは、これらの手順を1つのストリームで実行し、エンドツーエンドで全てのネットワークパラメータを共同で学習できることは注目に値する。
  論文  参考訳（メタデータ） (2020-03-02T04:41:28Z)

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。