論文の概要: Multi-Fidelity Quantile Regression
- arxiv url: http://arxiv.org/abs/2605.10406v1
- Date: Mon, 11 May 2026 11:43:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.779095
- Title: Multi-Fidelity Quantile Regression
- Title（参考訳）: 多要素量子レグレッション
- Authors: Yixiang Liu, Yao Zhang,
- Abstract要約: 高忠実度(HF)データは、しばしば収集するのに高価であり、したがって不足しているため、条件付き量子化は正確に見積もることが困難である。
本稿では,多値量子化回帰のための2段階モデル非依存手法を提案する。
合成および実データを用いた実験により,本手法はより正確な定量値とより厳密な共形予測間隔が得られることが示された。
- 参考スコア（独自算出の注目度）: 9.72955755643593
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-fidelity (HF) data are often expensive to collect and therefore scarce, making conditional quantiles difficult to estimate accurately. We propose a two-stage, model-agnostic method for multi-fidelity quantile regression. The central idea is a local quantile link: at each covariate value, the HF quantile is represented as a low-fidelity (LF) quantile evaluated at a covariate-dependent level. This reformulation reduces the problem to estimating the level function, which can be smoother than the HF quantile itself when the LF and HF conditional distributions have similar shapes. We also study the complementary regime in which this advantage weakens and introduce a correction step to improve robustness. Our theory characterizes when the proposed estimator converges faster than direct quantile regression using HF data alone and when the correction step provides further improvement. Experiments on synthetic and real data show that our method yields more accurate quantile estimates and tighter conformal prediction intervals.
- Abstract（参考訳）: 高忠実度(HF)データは、しばしば収集するのに高価であり、したがって不足しているため、条件付き量子化は正確に見積もることが困難である。
本稿では,多値量子化回帰のための2段階モデル非依存手法を提案する。
中心的なアイデアは局所的量子化リンク(英語版)であり、各共変量では、HF量子化は共変量依存レベルで評価される低忠実(LF)量子化として表される。
この再構成により、LFおよびHF条件分布が類似した形状を持つ場合、HF量子化自体よりも滑らかなレベル関数を推定できる。
また、この利点が弱まる相補的体制を考察し、堅牢性を改善するための補正手順を導入する。
本理論は,提案した推定器がHFデータのみを用いて直接量子回帰よりも高速に収束し,補正ステップがさらなる改善をもたらす場合に特徴付けられる。
合成および実データを用いた実験により,本手法はより正確な定量値とより厳密な共形予測間隔が得られることが示された。
関連論文リスト
- Sharp Convergence Rates for Masked Diffusion Models [53.117058231393834]
制約を克服するオイラー法に対する全変分に基づく解析法を開発した。
その結果、スコア推定の仮定を緩和し、パラメータ依存性を改善し、収束保証を確立する。
全体としては,CTMC軌道に沿った直接テレビによる誤り分解と,FHSのためのデカップリングに基づく経路解析を導入している。
論文 参考訳（メタデータ） (2026-02-26T00:47:51Z) - Semiparametric conformal prediction [79.6147286161434]
ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。
スコアの累積分布関数(CDF)を柔軟に推定する。
提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
論文 参考訳（メタデータ） (2024-11-04T14:29:02Z) - 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) - Deep Non-Crossing Quantiles through the Partial Derivative [0.6299766708197883]
量子回帰(Quantile Regression)は、単一の条件量子を近似する方法を提供する。
QRロス関数の最小化は、非交差量子化を保証しない。
任意の数の量子を予測するための汎用的なディープラーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-01-30T15:35:21Z) - Learning Quantile Functions without Quantile Crossing for
Distribution-free Time Series Forecasting [12.269597033369557]
本稿では,分散フリーな分布推定フレームワークであるIncrmental (Spline) Quantile Function I(S)QFを提案する。
また、シーケンス・ツー・シーケンス・セッティングに基づく提案手法の一般化誤差解析も提供する。
論文 参考訳（メタデータ） (2021-11-12T06:54:48Z) - Understanding the Under-Coverage Bias in Uncertainty Estimation [58.03725169462616]
量子レグレッションは、現実の望ましいカバレッジレベルよりもアンファンダーカバー(enmphunder-cover)する傾向がある。
我々は、量子レグレッションが固有のアンダーカバーバイアスに悩まされていることを証明している。
我々の理論は、この過大被覆バイアスが特定の高次元パラメータ推定誤差に起因することを明らかにしている。
論文 参考訳（メタデータ） (2021-06-10T06:11:55Z) - Regularization Strategies for Quantile Regression [8.232258589877942]
連続的な量子の分布に対するピンボール損失を最小化することは、特定の量子の予測のみを行う場合でも良い正則化器であることを示す。
格子モデルにより予測された分布を位置スケールの族に正規化できることを示す。
論文 参考訳（メタデータ） (2021-02-09T21:10:35Z)
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。