論文の概要: Random-Effects Algorithm for Random Objects in Metric Spaces

• arxiv url: http://arxiv.org/abs/2605.02693v1
• Date: Mon, 04 May 2026 15:05:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.354552
• Title: Random-Effects Algorithm for Random Objects in Metric Spaces
• Title（参考訳）: 距離空間におけるランダム物体のランダム影響アルゴリズム
• Authors: Marcos Matabuena, Mateo Cámara,
• Abstract要約: 距離空間上で定義された任意のランダムオブジェクトのランダム効果モデリングのための非線形フレシェに基づくアルゴリズムを提案する。 提案手法はヒルベルト空間を超えて開発されているが,既存のヒルベルト空間に基づく手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Across many scientific disciplines, multiple observations are collected from the same experimental units, and in modern datasets these observations often arise as non-Euclidean random objects. In such settings, the incorporation of random effects is a critical modeling step for efficient estimation and personalized prediction. Although mixed-effects models are well established for scalar outcomes and, more recently, for functional data in Hilbert spaces, general random-effects frameworks for objects in metric spaces remain underdeveloped. In this paper, we propose a nonlinear Fréchet-based algorithm for random-effects modeling of arbitrary random objects defined on a metric space. Using M-estimation theory, we establish conditions under which the proposed metric-space prediction target is consistently estimated under a working random-effects formulation. We then evaluate the empirical performance of the proposed method using both synthetic data and digital health datasets that require practical tools for analyzing random objects in metric spaces, such as multivariate probability distributions and random graphs. We show that, although our method is developed beyond Hilbert spaces, it can outperform existing Hilbert space-based methods.
• Abstract（参考訳）: 多くの科学分野において、同じ実験単位から複数の観測結果が収集され、現代のデータセットではこれらの観測はユークリッド以外のランダムな対象として生じることが多い。 このような環境では、ランダム効果の取り込みは、効率的な推定とパーソナライズされた予測のための重要なモデリングステップである。 混合効果モデルはスカラー結果に対して十分に確立されており、さらに最近ではヒルベルト空間における関数データに対しては、計量空間における対象に対する一般的なランダム効果フレームワークが未開発のままである。 本稿では,距離空間上で定義された任意のランダムオブジェクトのランダム効果モデリングのための非線形フレシェに基づくアルゴリズムを提案する。 M-推定理論を用いて,提案した距離空間予測対象が一貫したランダム効果の定式化の下で推定される条件を確立する。 次に,多変量確率分布やランダムグラフなどの距離空間におけるランダムオブジェクトを解析するための実用的なツールを必要とする合成データとデジタルヘルスデータセットの両方を用いて,提案手法の実証的性能を評価する。 提案手法はヒルベルト空間を超えて開発されているが,既存のヒルベルト空間に基づく手法よりも優れていることを示す。

関連論文リスト

• Efficient Covariance Estimation for Sparsified Functional Data [51.69796254617083]
  共分散関数のランダムノット(ランダムノット-空間)とB-スプライン(Bspline-Spatial)推定器は計算的に効率的である。 共分散の漸近的なポイントワイドは、ある規則性条件下でのスパース化された個々の軌跡に対して得られる。
  論文  参考訳（メタデータ） (2025-11-23T00:50:33Z)
• Conformal and kNN Predictive Uncertainty Quantification Algorithms in Metric Spaces [3.637162892228131]
  オラクル推定器の有限サンプルカバレッジ保証と高速収束率を提供する共形予測アルゴリズムを開発した。 不整合性の設定では、統計的効率を得るためにこれらの非漸近性保証を強制する。 ランダム応答オブジェクトを含むパーソナライズ・メディカルアプリケーションにおいて,本手法の実用性を実証する。
  論文  参考訳（メタデータ） (2025-07-21T15:54:13Z)
• Doubly robust estimation of causal effects for random object outcomes with continuous treatments [8.874402662101234]
  因果推論は統計学と科学的発見の中心である。 現代のアプリケーションは複雑で非ユークリッド的なデータ構造をますます含んでいる。 本稿では,非ユークリッドデータに適用した継続的治療による因果推論のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2025-06-28T04:55:12Z)
• Model-Free Kernel Conformal Depth Measures Algorithm for Uncertainty Quantification in Regression Models in Separable Hilbert Spaces [9.504740492278003]
  本研究では,条件付き深度測定と統合深度測定に基づくモデルフリー不確実性定量化アルゴリズムを提案する。 新しいアルゴリズムは、予測器と応答が分離可能なヒルベルト空間で定義されるとき、予測領域と許容領域を定義するのに使うことができる。 身体活動に関するデジタルヘルスアプリケーションを通じて、我々のアプローチの実践的妥当性を実証する。
  論文  参考訳（メタデータ） (2025-06-10T01:25:37Z)
• Uncertainty quantification in metric spaces [3.637162892228131]
  本稿では、応答が分離可能な距離空間で値を取る回帰モデルのための新しい不確実性定量化フレームワークを提案する。 提案アルゴリズムは,大規模データセットを効率的に処理し,使用する予測ベースモデルに依存しない。
  論文  参考訳（メタデータ） (2024-05-08T15:06:02Z)
• Simulation-based Inference for High-dimensional Data using Surjective Sequential Neural Likelihood Estimation [45.9982965995401]
  我々はSBI(Surjective Sequential Neural Likelihood Estimation)という,シミュレーションベース推論(SBI)手法のファミリーにおける新しいメンバーを提案する。 SSNL は次元共振型正規化フローモデルに適合し、マルコフ連鎖モンテカルロあるいは変分ベイズ法による計算推論を可能にする代理可能性関数として利用する。 SSNLは、天体物理学と神経科学の文献から得られた2つの挑戦的な実例を含む、多種多様な実験で評価し、その成果が、最先端の手法に匹敵するか、同等であることを示す。
  論文  参考訳（メタデータ） (2023-08-02T10:02:38Z)
• Bayesian Spatial Predictive Synthesis [8.66529877559667]
  空間依存は、空間データ分析と予測において、一般的で重要な問題である。 本研究では,空間的に変化するモデルの不確実性を捉える新しいベイズアンサンブル手法を提案する。 本手法は, 予測性能に対する有限サンプル理論的保証を提供する。
  論文  参考訳（メタデータ） (2022-03-10T07:16:29Z)
• Random Forest Weighted Local Fréchet Regression with Random Objects [18.128663071848923]
  本稿では,新しいランダム森林重み付き局所Fr'echet回帰パラダイムを提案する。 最初の方法は、これらの重みを局所平均として、条件付きFr'echet平均を解くことである。 第二の手法は局所線形Fr'echet回帰を行い、どちらも既存のFr'echet回帰法を大幅に改善した。
  論文  参考訳（メタデータ） (2022-02-10T09:10:59Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Asymptotic Analysis of an Ensemble of Randomly Projected Linear Discriminants [94.46276668068327]
  [1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。 我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。 また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
  論文  参考訳（メタデータ） (2020-04-17T12:47:04Z)

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。