論文の概要: TabResFlow: A Normalizing Spline Flow Model for Probabilistic Univariate Tabular Regression

• arxiv url: http://arxiv.org/abs/2508.17056v1
• Date: Sat, 23 Aug 2025 15:09:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.318019
• Title: TabResFlow: A Normalizing Spline Flow Model for Probabilistic Univariate Tabular Regression
• Title（参考訳）: TabResFlow:確率的一変量回帰のための正規化スプラインフローモデル
• Authors: Kiran Madhusudhanan, Vijaya Krishna Yalavarthi, Jonas Sonntag, Maximilian Stubbemann, Lars Schmidt-Thieme,
• Abstract要約: 単変量表回帰に特化して設計された正規化スプラインフローモデルであるTabResFlowを紹介する。 我々は、9つの公開ベンチマークデータセット上でTabResFlowを評価し、確率スコアの既存の確率回帰モデルを一貫して上回っていることを示した。 また,現実の自動車価格予測タスクにおけるTabResFlowの実用性についても,選択的回帰の下で検証した。
• 参考スコア（独自算出の注目度）: 10.521468881948008
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tabular regression is a well-studied problem with numerous industrial applications, yet most existing approaches focus on point estimation, often leading to overconfident predictions. This issue is particularly critical in industrial automation, where trustworthy decision-making is essential. Probabilistic regression models address this challenge by modeling prediction uncertainty. However, many conventional methods assume a fixed-shape distribution (typically Gaussian), and resort to estimating distribution parameters. This assumption is often restrictive, as real-world target distributions can be highly complex. To overcome this limitation, we introduce TabResFlow, a Normalizing Spline Flow model designed specifically for univariate tabular regression, where commonly used simple flow networks like RealNVP and Masked Autoregressive Flow (MAF) are unsuitable. TabResFlow consists of three key components: (1) An MLP encoder for each numerical feature. (2) A fully connected ResNet backbone for expressive feature extraction. (3) A conditional spline-based normalizing flow for flexible and tractable density estimation. We evaluate TabResFlow on nine public benchmark datasets, demonstrating that it consistently surpasses existing probabilistic regression models on likelihood scores. Our results demonstrate 9.64% improvement compared to the strongest probabilistic regression model (TreeFlow), and on average 5.6 times speed-up in inference time compared to the strongest deep learning alternative (NodeFlow). Additionally, we validate the practical applicability of TabResFlow in a real-world used car price prediction task under selective regression. To measure performance in this setting, we introduce a novel Area Under Risk Coverage (AURC) metric and show that TabResFlow achieves superior results across this metric.
• Abstract（参考訳）: タブラル回帰は、多くの産業応用においてよく研究されている問題であるが、既存のほとんどのアプローチは点推定に重点を置いており、しばしば自信過剰な予測につながる。 この問題は、信頼できる意思決定が不可欠である産業自動化において特に重要である。 確率回帰モデルは予測の不確実性をモデル化することでこの問題に対処する。 しかし、多くの従来の手法では、固定形分布(典型的にはガウス分布)を仮定し、分布パラメータを推定する。 この仮定はしばしば制限的であり、現実世界のターゲット分布は非常に複雑である。 この制限を克服するために,RealNVP や Masked Autoregressive Flow (MAF) のような単純なフローネットワークが適さない,単変量表回帰に特化して設計された正規化スプラインフローモデルであるTabResFlowを紹介した。 TabResFlowは3つのキーコンポーネントで構成されている。 2)表現的特徴抽出のための完全に接続されたResNetバックボーン。 (3)フレキシブル・トラクタブル密度推定のための条件付きスプラインベース正規化流れ 我々は、9つの公開ベンチマークデータセット上でTabResFlowを評価し、確率スコアの既存の確率回帰モデルを一貫して上回っていることを示した。 その結果,最強確率回帰モデル(TreeFlow)と比較して9.64%改善し,最強のディープラーニングモデル(NodeFlow)に比べて推論時間の平均5.6倍のスピードアップを示した。 さらに, 実世界の自動車価格予測タスクにおけるTabResFlowの実用性について, 選択的回帰による検証を行った。 そこで本研究では,AURC(Area Under Risk Coverage)尺度を新たに導入し,TabResFlowがこの指標に対して優れた結果が得られることを示す。

関連論文リスト

• Fully Heteroscedastic Count Regression with Deep Double Poisson Networks [4.58556584533865]
  Deep Double Poisson Network (DDPN) はニューラル・離散カウント回帰モデルである。 DDPNはヘテロセダスティックガウスモデルと同様の頑健な回帰特性を示す。 多様なデータセットの実験では、DDPNが現在のベースラインを精度、キャリブレーション、アウト・オブ・ディストリビューション検出で上回っていることが示されている。
  論文  参考訳（メタデータ） (2024-06-13T16:02:03Z)
• 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)
• RS-Reg: Probabilistic and Robust Certified Regression Through Randomized Smoothing [19.03441416869426]
  我々は $ell$ norm を用いて入力データポイント上の上限を設定する方法を示す。 次に、出力が有界な回帰モデルの族を扱う際に、摂動入力の認証された上限を導出する。 シミュレーションにより, 理論結果の有効性を検証し, 単純な平滑化関数の利点と限界を明らかにする。
  論文  参考訳（メタデータ） (2024-05-14T18:10:46Z)
• GFlowOut: Dropout with Generative Flow Networks [76.59535235717631]
  モンテカルロ・ドロップアウトは近似推論の比較的安価な方法として広く利用されている。 最近の研究は、ドロップアウトマスクを潜伏変数と見なすことができ、変動推論で推測できることを示している。 GFlowOutleveragesは、最近提案されたジェネレーティブフローネットワーク(GFlowNets)の確率的フレームワークを使用して、ドロップアウトマスク上の後部分布を学習する。
  論文  参考訳（メタデータ） (2022-10-24T03:00:01Z)
• Variational Inference with NoFAS: Normalizing Flow with Adaptive Surrogate for Computationally Expensive Models [7.217783736464403]
  マルコフ連鎖モンテカルロのようなサンプリングに基づくアプローチの使用は、それぞれの可能性評価が計算的に高価であるときに難解になる可能性がある。 変分推論と正規化フローを組み合わせた新しいアプローチは、潜在変数空間の次元と線形にしか成長しない計算コストによって特徴づけられる。 本稿では,ニューラルネットワークサロゲートモデルの正規化フローパラメータと重みを代わりに更新する最適化戦略である,適応サロゲートを用いた正規化フロー(NoFAS)を提案する。
  論文  参考訳（メタデータ） (2021-08-28T14:31:45Z)
• Regression Bugs Are In Your Model! Measuring, Reducing and Analyzing Regressions In NLP Model Updates [68.09049111171862]
  この研究は、NLPモデル更新における回帰エラーの定量化、低減、分析に重点を置いている。 回帰フリーモデル更新を制約付き最適化問題に定式化する。 モデルアンサンブルが回帰を減らす方法を実証的に分析します。
  論文  参考訳（メタデータ） (2021-05-07T03:33:00Z)
• Learning Probabilistic Ordinal Embeddings for Uncertainty-Aware Regression [91.3373131262391]
  不確かさが唯一の確実性である。 伝統的に、直接回帰定式化を考慮し、ある確率分布の族に出力空間を変更することによって不確実性をモデル化する。 現在のレグレッション技術における不確実性をモデル化する方法は、未解決の問題である。
  論文  参考訳（メタデータ） (2021-03-25T06:56:09Z)
• RegFlow: Probabilistic Flow-based Regression for Future Prediction [21.56753543722155]
  我々は,モーダリティや基礎となる確率分布に関する制約がほとんどなく,将来の予測をモデル化できる,頑健で柔軟な確率確率フレームワークを導入する。 RegFlowと呼ばれる結果の方法は、いくつかのベンチマークデータセットで最先端の結果を達成し、競合するアプローチよりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2020-11-30T08:45:37Z)

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。