論文の概要: Generalized Neural Distributional Regression

• arxiv url: http://arxiv.org/abs/2607.14122v1
• Date: Tue, 16 Jun 2026 19:01:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-19 21:54:20.416736
• Title: Generalized Neural Distributional Regression
• Title（参考訳）: 一般化された神経分布回帰
• Abstract要約: 本稿では,従来の確率分布の空間にディープニューラルネットワークをシームレスに組み込むGNDR(Generalized Neural Distributional Regression)フレームワークを紹介する。 本フレームワークの汎用性と多彩な分布のキャリブレーションを,多彩な臨床数,治療対象の右エド転写産物の生存プロファイル,非構造化顔画像からの年齢分布などの多彩な範囲で示す。
• 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 introduce the Generalized Neural Distributional Regression (GNDR) framework, which seamlessly embeds deep neural networks into the parameter space of classical probability distributions. To reconcile the inherent non-identifiability of deep architectures with maximum likelihood theory, we propose a two-step semi-parametric estimation procedure. By isolating the terminal prediction heads and treating the upstream network as a fixed, non-linear basis expansion, GNDR enables the extraction of analytical Fisher Information matrices. This facilitates rigorous uncertainty quantification, generating observation-specific confidence bands and tolerance intervals via the multivariate Delta method. We demonstrate the framework's versatility and superior distributional calibration across diverse data modalities, including overdispersed clinical counts, right-censored transcriptomic survival profiles under a mixture cure framework, and zero-truncated age distributions derived directly from unstructured facial images. The methodology is natively implemented in the open-source Python package \textit{thetaflow}.
• Abstract（参考訳）: 本稿では,従来の確率分布のパラメータ空間にディープニューラルネットワークをシームレスに組み込むGNDR(Generalized Neural Distributional Regression)フレームワークを紹介する。 深層建築物の固有非識別性を最大可能性理論で再現するために, 2段階の半パラメトリック推定手法を提案する。 終端予測ヘッドを分離し、上流ネットワークを固定された非線形ベース展開として扱うことにより、GNDRは解析的フィッシャー情報行列の抽出を可能にする。 これは厳密な不確実性定量化を促進し、多変量デルタ法による観測固有の信頼帯域と許容区間を生成する。 本研究では,多彩なデータモダリティに対するフレームワークの汎用性と優れた分布キャリブレーションについて述べる。 この方法論は、オープンソースのPythonパッケージ \textit{thetaflow} でネイティブに実装されている。

関連論文リスト

• Neural Conjugate Aggregation: Identifiable Unsupervised Multi-Sensor Regression under Heterogeneous Sensor Bias [0.0]
  本研究では,不確実性下での回帰に基づくデータ融合について検討する。 この設定は、センサーネットワーク、シミュレーションアンサンブル、そして監視が費用がかかるか不可能である科学的な監視システムで発生する。 本稿では,ニューラルネットワークと共役ガウス推論を組み合わせた階層型ベイズフレームワークであるニューラル共役凝集モデル(NCAM)を提案する。
  論文  参考訳（メタデータ） (2026-06-20T19:30:21Z)
• FlowSDR: Sufficient Dimension Reduction via Conditional Normalizing Flows [6.1441848595952]
  FlowSDRは、射影と条件密度を共同で学習する可能性に基づくフレームワークである。 ニューラル・ガウス的SDR, ヘテロセダスティックな条件付きガウス的モデルを導入し, 平均と分散は共有ニューラル・ネットワーク関数によってパラメータ化される。
  論文  参考訳（メタデータ） (2026-05-31T16:54:56Z)
• Beyond Consistency: Inference for the Relative risk functional in Deep Nonparametric Cox Models [7.2275111013288535]
  Coxをベースとした最適化誤差が、部分的可能性の下で集団リスクにどのように伝播するかは明らかでない。 また、ポイントワイドバイアスがどのように制御できるのか、またアンサンブルに基づく不確実性が現実的な分散体制の下でどのように振る舞うのかも不明である。 これらの問題に対処するディープコックス推定器の分布理論を開発する。
  論文  参考訳（メタデータ） (2026-03-25T01:43:12Z)
• Practical Global and Local Bounds in Gaussian Process Regression via Chaining [4.500208956289746]
  本稿では,予期しないデータに対する期待値の上限値と下限値を推定するための連鎖に基づくフレームワークを提案する。 また,特定入力における局所不確実性定量化手法を開発した。
  論文  参考訳（メタデータ） (2025-11-12T09:30:01Z)
• Semi-Supervised Deep Sobolev Regression: Estimation and Variable Selection by ReQU Neural Network [3.4623717820849476]
  本研究では、下層の回帰関数とその勾配の非パラメトリック推定のための半教師付きディープソボレフ回帰器SDOREを提案する。 我々の研究は、SDOREの収束速度を$L2$-normで徹底的に分析し、ミニマックス最適性を達成することを含む。
  論文  参考訳（メタデータ） (2024-01-09T13:10:30Z)
• Tractable Function-Space Variational Inference in Bayesian Neural Networks [72.97620734290139]
  ニューラルネットワークの予測不確かさを推定するための一般的なアプローチは、ネットワークパラメータに対する事前分布を定義することである。 本稿では,事前情報を組み込むスケーラブルな関数空間変動推論手法を提案する。 提案手法は,様々な予測タスクにおいて,最先端の不確実性評価と予測性能をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-12-28T18:33:26Z)
• Learning Linear Causal Representations from Interventions under General Nonlinear Mixing [52.66151568785088]
  介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。 これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
  論文  参考訳（メタデータ） (2023-06-04T02:32:12Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Multivariate Deep Evidential Regression [77.34726150561087]
  不確実性を認識するニューラルネットワークによる新しいアプローチは、従来の決定論的手法よりも有望である。 本稿では,レグレッションベースニューラルネットワークからアレータ性およびてんかん性不確かさを抽出する手法を提案する。
  論文  参考訳（メタデータ） (2021-04-13T12:20:18Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)
• Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
  PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。 本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。 このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
  論文  参考訳（メタデータ） (2020-09-29T12:50:33Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。