論文の概要: Empirical Likelihood for Random Forests and Ensembles

• arxiv url: http://arxiv.org/abs/2511.13934v1
• Date: Mon, 17 Nov 2025 21:38:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.80914
• Title: Empirical Likelihood for Random Forests and Ensembles
• Title（参考訳）: ランダム・フォレストとアンサンブルの実証的嗜好
• Authors: Harold D. Chiang, Yukitoshi Matsushita, Taisuke Otsu,
• Abstract要約: 本研究では,ランダム林と関連するアンサンブル手法の実証的可能性 (EL) フレームワークを開発した。 不完全性によって誘導される部分サンプリングが過度にスパースしない場合、我々は2乗2乗のEL統計を構築した。 スペーサーのサブサンプリング体制の下では、EL統計はピカリティの喪失により過剰に覆われる傾向にある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We develop an empirical likelihood (EL) framework for random forests and related ensemble methods, providing a likelihood-based approach to quantify their statistical uncertainty. Exploiting the incomplete $U$-statistic structure inherent in ensemble predictions, we construct an EL statistic that is asymptotically chi-squared when subsampling induced by incompleteness is not overly sparse. Under sparser subsampling regimes, the EL statistic tends to over-cover due to loss of pivotality; we therefore propose a modified EL that restores pivotality through a simple adjustment. Our method retains key properties of EL while remaining computationally efficient. Theory for honest random forests and simulations demonstrate that modified EL achieves accurate coverage and practical reliability relative to existing inference methods.
• Abstract（参考訳）: 本研究では,ランダム林とそれに関連するアンサンブル手法の実証的可能性 (EL) フレームワークを開発し,その統計的不確実性を定量化するための可能性に基づくアプローチを提案する。 アンサンブル予測に固有の不完全$U$-統計構造を爆発させ、不完全性によって誘導される部分サンプリングが過度にスパースされない場合に漸近的に2乗するEL統計を構築した。 スペーサー・サブサンプリング体制下では、EL統計は偏極性の喪失により過度に覆われる傾向にあり、したがって簡単な調整によって偏極性の回復を行う改良ELを提案する。 本手法は,計算効率を保ちながら,ELの重要な特性を保っている。 正直なランダムな森林とシミュレーションの理論は、改良されたELが既存の推論手法と比較して正確なカバレッジと実用的信頼性を達成することを示した。

関連論文リスト

• Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
  天気予報は、大気のカオス的な性質によって根本的に挑戦されている。 ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。 気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
  論文  参考訳（メタデータ） (2025-11-18T07:49:52Z)
• Statistical Inference for Temporal Difference Learning with Linear Function Approximation [55.80276145563105]
  The statistics properties of Temporal difference learning with Polyak-Ruppert averaging。 3つの理論的な貢献により、現在の最先端の成果が向上する。
  論文  参考訳（メタデータ） (2024-10-21T15:34:44Z)
• Assumption-Lean Post-Integrated Inference with Surrogate Control Outcomes [6.448728765953916]
  制御結果を用いて遅延不均一性を調整する頑健なポストインテグレート推論(PII)手法を提案する。 我々は、予測された直接効果推定に関する半パラメトリック推論を開発し、隠された仲介者、共同設立者、モデレーターを考慮に入れた。 提案された二重頑健な推定器は、最小の仮定と潜在的な不特定性の下で一貫性があり、効率的である。
  論文  参考訳（メタデータ） (2024-10-07T12:52:38Z)
• Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。 我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• Distributionally Robust Skeleton Learning of Discrete Bayesian Networks [9.46389554092506]
  我々は、潜在的に破損したデータから一般的な離散ベイズネットワークの正確なスケルトンを学習する問題を考察する。 本稿では,有界ワッサーシュタイン距離(KL)における分布群に対する最も有害なリスクを,経験的分布へのKL分散を最適化することを提案する。 本稿では,提案手法が標準正規化回帰手法と密接に関連していることを示す。
  論文  参考訳（メタデータ） (2023-11-10T15:33:19Z)
• On Variance Estimation of Random Forests [0.0]
  本稿では,不完全U-統計量に基づく不偏分散推定器を開発する。 我々は,計算コストを増大させることなく,より低いバイアスとより正確な信頼区間のカバレッジを評価できることを示した。
  論文  参考訳（メタデータ） (2022-02-18T03:35:47Z)

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。