論文の概要: kNNSampler: Stochastic Imputations for Recovering Missing Value Distributions

• arxiv url: http://arxiv.org/abs/2509.08366v1
• Date: Wed, 10 Sep 2025 08:04:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.349161
• Title: kNNSampler: Stochastic Imputations for Recovering Missing Value Distributions
• Title（参考訳）: kNNSampler: 欠落した値の分布を復元するための確率的計算法
• Authors: Parastoo Pashmchi, Jerome Benoit, Motonobu Kanagawa,
• Abstract要約: kNNSamplerは、あるユニットに最も類似した$k$の観測結果からランダムにサンプリングすることで、あるユニットの欠落した応答を暗示する。 この方法は、分布から未知の値をサンプリングし、欠落した値の不確かさを定量化し、複数の計算に容易に利用できる。
• 参考スコア（独自算出の注目度）: 1.1826917578666472
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study a missing-value imputation method, termed kNNSampler, that imputes a given unit's missing response by randomly sampling from the observed responses of the $k$ most similar units to the given unit in terms of the observed covariates. This method can sample unknown missing values from their distributions, quantify the uncertainties of missing values, and be readily used for multiple imputation. Unlike popular kNNImputer, which estimates the conditional mean of a missing response given an observed covariate, kNNSampler is theoretically shown to estimate the conditional distribution of a missing response given an observed covariate. Experiments demonstrate its effectiveness in recovering the distribution of missing values. The code for kNNSampler is made publicly available (https://github.com/SAP/knn-sampler).
• Abstract（参考訳）: 我々はkNNSamplerと呼ばれる欠落値計算法について検討し、観測された共変量から最もよく似た$k$の観測結果からランダムにサンプリングすることで、ある単位の欠落応答を暗示する。 この方法は、分布から未知の値をサンプリングし、欠落した値の不確かさを定量化し、複数の計算に容易に利用できる。 kNNSamplerは、観測された共変量から欠落応答の条件平均を推定する一般的なkNNImputerとは異なり、観測された共変量から欠落応答の条件分布を推定するために理論的に示される。 実験は、欠落した値の分布を回復する効果を示す。 kNNSamplerのコードは公開されています(https://github.com/SAP/knn-sampler)。

関連論文リスト

• Model Evaluation in the Dark: Robust Classifier Metrics with Missing Labels [2.384873896423002]
  本稿では,精度,リコール,ROC-AUCなどの指標を用いて分類器の評価を行うための多重計算手法を提案する。 予測分布の位置と形状が一般的に正しいことを実証的に示す。
  論文  参考訳（メタデータ） (2025-04-25T14:31:42Z)
• Symmetric Q-learning: Reducing Skewness of Bellman Error in Online Reinforcement Learning [55.75959755058356]
  深層強化学習では、状態や行動の質を評価するために、価値関数を推定することが不可欠である。 最近の研究では、値関数を訓練する際の誤差分布はベルマン作用素の特性のためにしばしば歪むことが示唆されている。 そこで我々は,ゼロ平均分布から発生する合成ノイズを目標値に加え,ガウス誤差分布を生成するSymmetric Q-learning法を提案する。
  論文  参考訳（メタデータ） (2024-03-12T14:49:19Z)
• Collapsed Inference for Bayesian Deep Learning [36.1725075097107]
  本稿では,崩壊サンプルを用いたベイズモデル平均化を行う新しい崩壊予測手法を提案する。 崩壊したサンプルは、近似後部から引き出された数え切れないほど多くのモデルを表す。 提案手法は, スケーラビリティと精度のバランスをとる。
  論文  参考訳（メタデータ） (2023-06-16T08:34:42Z)
• Bayes Classification using an approximation to the Joint Probability Distribution of the Attributes [1.0660480034605242]
  本研究では,テストサンプルの近傍の情報を用いて条件付き確率を推定する手法を提案する。 本稿では,カリフォルニア大学アーバイン校(UCI)の機械学習リポジトリから得られた幅広いデータセットに対する提案手法の性能について述べる。
  論文  参考訳（メタデータ） (2022-05-29T22:24:02Z)
• Robust Estimation for Nonparametric Families via Generative Adversarial Networks [92.64483100338724]
  我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。 我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。 技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
  論文  参考訳（メタデータ） (2022-02-02T20:11:33Z)
• Unrolling Particles: Unsupervised Learning of Sampling Distributions [102.72972137287728]
  粒子フィルタリングは複素系の優れた非線形推定を計算するために用いられる。 粒子フィルタは様々なシナリオにおいて良好な推定値が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-06T16:58:34Z)
• Sampling-free Variational Inference for Neural Networks with Multiplicative Activation Noise [51.080620762639434]
  サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。 提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
  論文  参考訳（メタデータ） (2021-03-15T16:16:18Z)
• Adversarial robust weighted Huber regression [2.0257616108612373]
  線形回帰係数のロバストな推定を考察する。 安定な階数と共分散行列の条件数に依存する推定誤差境界を導出する。
  論文  参考訳（メタデータ） (2021-02-22T15:50:34Z)
• Estimating conditional density of missing values using deep Gaussian mixture model [5.639904484784126]
  本稿では,ディープニューラルネットワークの柔軟性とガウス混合モデルの簡易性を組み合わせたアプローチを提案する。 我々は,本モデルが条件付きGMMよりもログ類似度が高いことを実験的に検証した。
  論文  参考訳（メタデータ） (2020-10-05T17:39:25Z)
• Distributional Reinforcement Learning via Moment Matching [54.16108052278444]
  ニューラルネットワークを用いて各戻り分布から統計量の有限集合を学習する手法を定式化する。 我々の手法は、戻り分布とベルマン目標の間のモーメントの全ての順序を暗黙的に一致させるものとして解釈できる。 Atariゲームスイートの実験により,本手法は標準分布RLベースラインよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-24T05:18:17Z)

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。