論文の概要: A Stable Lasso

• arxiv url: http://arxiv.org/abs/2511.02306v1
• Date: Tue, 04 Nov 2025 06:41:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.833859
• Title: A Stable Lasso
• Title（参考訳）: 安定ラッソ
• Authors: Mahdi Nouraie, Houying Zhu, Samuel Muller,
• Abstract要約: 本稿では,ラッソのペナルティ関数に重み付け方式を統合することにより,ラッソの選択安定性を向上させる手法を提案する。 シミュレーションと実世界の両方のデータセットの実証評価により,提案手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 0.3568466510804538
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Lasso has been widely used as a method for variable selection, valued for its simplicity and empirical performance. However, Lasso's selection stability deteriorates in the presence of correlated predictors. Several approaches have been developed to mitigate this limitation. In this paper, we provide a brief review of existing approaches, highlighting their limitations. We then propose a simple technique to improve the selection stability of Lasso by integrating a weighting scheme into the Lasso penalty function, where the weights are defined as an increasing function of a correlation-adjusted ranking that reflects the predictive power of predictors. Empirical evaluations on both simulated and real-world datasets demonstrate the efficacy of the proposed method. Additional numerical results demonstrate the effectiveness of the proposed approach in stabilizing other regularization-based selection methods, indicating its potential as a general-purpose solution.
• Abstract（参考訳）: ラッソは変数選択の手法として広く使われており、その単純さと経験的性能で評価されている。 しかし、ラッソの選択安定性は相関予測器の存在によって悪化する。 この制限を緩和するためにいくつかのアプローチが開発されている。 本稿では,既存のアプローチを概観し,その限界について概説する。 次に、重み付けスキームをラッソのペナルティ関数に統合することにより、ラッソの選択安定性を向上させるための簡単な手法を提案し、そこで、重み付けを予測者の予測力を反映した相関調整ランキングの増大関数として定義する。 シミュレーションと実世界の両方のデータセットの実証評価により,提案手法の有効性が示された。 さらなる数値的な結果は、他の正規化に基づく選択手法の安定化における提案手法の有効性を示し、汎用解としての可能性を示している。

関連論文リスト

• Efficient Group Lasso Regularized Rank Regression with Data-Driven Parameter Determination [2.847099287022546]
  高次元回帰は、しばしば重み付きノイズと外れ値に悩まされ、最小二乗法の信頼性を著しく損なう。 頑健性を改善するため、非滑らかなウィルコクソンスコアに基づくランク目標を採用し、構造化群空間正規化を取り入れた。 また、データ駆動のシミュレーションに基づくチューニングルールを導入し、その結果の予測値に有限サンプル誤差を限定する。
  論文  参考訳（メタデータ） (2025-10-13T15:45:58Z)
• Reparameterization Proximal Policy Optimization [35.59197802340267]
  ポリシーグラデーション(RPG)は、微分可能なダイナミクスを活用することで、サンプル効率を改善することを約束している。 我々は、安定なサンプル再利用を可能にするために代理目的を利用するPPO(Proximal Policy Optimization)からインスピレーションを得ている。 本稿では,安定かつサンプル効率の高いRPGベースの手法であるRe Parameters Proximal Policy Optimization (RPO)を提案する。 RPOはRPGに適したポリシー勾配クリッピング機構を用いることで、複数のエポック上で安定したサンプル再利用を可能にする。
  論文  参考訳（メタデータ） (2025-08-08T10:50:55Z)
• Stability Selection via Variable Decorrelation [2.014089835498735]
  ラッソは変数選択のための顕著なアルゴリズムである。 これまでの研究では、ラッソ損失関数を変更してこの問題に対処しようと試みてきた。 本稿では,ラッソ法の適用前の変数の非相関性により,予測器間の相関の方向に関わらず,変数選択の安定性が向上することを示す。
  論文  参考訳（メタデータ） (2025-05-27T08:15:15Z)
• Achieving $\widetilde{\mathcal{O}}(\sqrt{T})$ Regret in Average-Reward POMDPs with Known Observation Models [69.1820058966619]
  平均逆無限水平POMDPを未知の遷移モデルで扱う。 この障壁を克服する斬新でシンプルな推定器を提示する。
  論文  参考訳（メタデータ） (2025-01-30T22:29:41Z)
• A cost-sensitive constrained Lasso [2.8265531928694116]
  本稿では,Lassoをベースとした目的関数に2次的性能制約を加えるLassoの新たなバージョンを提案する。 その結果、非線形最適化問題により制約付きスパース回帰モデルが定義される。 このコストに敏感なラッソは、異なるソースからデータが収集される異質なサンプルに直接的な応用がある。
  論文  参考訳（メタデータ） (2024-01-31T17:36:21Z)
• Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
  モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。 本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
  論文  参考訳（メタデータ） (2023-12-07T15:55:58Z)
• Convergence of uncertainty estimates in Ensemble and Bayesian sparse model discovery [4.446017969073817]
  ブートストラップに基づく逐次しきい値最小二乗推定器による雑音に対する精度と頑健性の観点から経験的成功を示す。 このブートストラップに基づくアンサンブル手法は,誤差率の指数収束率で,確率的に正しい可変選択を行うことができることを示す。
  論文  参考訳（メタデータ） (2023-01-30T04:07:59Z)
• Efficient Empowerment Estimation for Unsupervised Stabilization [75.32013242448151]
  エンパワーメント原理は 直立位置での 力学系の教師なし安定化を可能にする 本稿では,ガウスチャネルとして動的システムのトレーニング可能な表現に基づく代替解を提案する。 提案手法は, サンプルの複雑さが低く, 訓練時より安定であり, エンパワーメント機能の本質的特性を有し, 画像からエンパワーメントを推定できることを示す。
  論文  参考訳（メタデータ） (2020-07-14T21:10:16Z)
• A One-step Approach to Covariate Shift Adaptation [82.01909503235385]
  多くの機械学習シナリオにおけるデフォルトの前提は、トレーニングとテストサンプルは同じ確率分布から引き出されることである。 予測モデルと関連する重みを1つの最適化で共同で学習する新しいワンステップアプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-08T11:35:47Z)

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。