論文の概要: Handling Missing Data in Probabilistic Regression Trees

• arxiv url: http://arxiv.org/abs/2608.06195v1
• Date: Thu, 06 Aug 2026 15:54:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.786346
• Title: Handling Missing Data in Probabilistic Regression Trees
• Title（参考訳）: 確率的回帰木における欠落データ処理
• Abstract要約: 本稿ではPRTreeフレームワークを拡張し,木構築時の予測値の不足に対処する。 利用可能な情報をそれぞれ異なる方法で活用する3つの戦略が提案されている。 確率的木構築の有効性は、観測不足の処理に強く依存する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Probabilistic Regression Trees (PRTrees) are a smooth and consistent alternative to classical regression trees, producing continuous predictions through probabilistic split assignments. This paper extends the PRTree framework to accommodate missing predictor values directly during tree construction, eliminating the need for prior imputation. Three strategies are proposed, each exploiting the available information differently: a uniform-probability approach, a partial-observation approach, and a dimension-reduced smoothing approach. These modifications are defined to preserve the fundamental probabilistic properties of the original methodology, including probability conservation and marginal compatibility, under arbitrary patterns of missing covariate values. The proposed methods are evaluated on several real-world datasets exhibiting different levels of missingness and are compared with classical regression trees. The results show that the effectiveness of probabilistic tree construction depends strongly on the treatment of missing observations. Across the considered datasets, the fill strategy emerged as the dominant modeling component, often exerting a larger influence on predictive performance than either the smoothing distribution or the proxy-selection criterion. In datasets where a substantial proportion of observations contained missing predictor values, the proposed methods frequently outperformed CART, while maintaining the interpretability and flexibility of tree-based models.
• Abstract（参考訳）: 確率的回帰木 (probabilistic Regression Trees, PRTrees) は古典的回帰木に対する滑らかで一貫した代替であり、確率的分割代入を通じて連続的な予測を生成する。 本稿では,PRTreeフレームワークを拡張して,木構築時の予測値の不足を解消し,事前計算の必要性を解消する。 利用可能な情報をそれぞれ異なる方法で活用する3つの戦略が提案され、一様確率法、部分観測法、次元再現型平滑化法である。 これらの修正は、確率保存や限界整合を含む元の方法論の基本的な確率的特性を、欠落した共変量値の任意のパターンの下で保存するために定義される。 提案手法は,異なるレベルの欠落を示す複数の実世界のデータセットを用いて評価し,古典的回帰木と比較した。 その結果, 確率的樹木構築の有効性は, 観測不足の処理に強く依存していることが示唆された。 検討されたデータセット全体にわたって、フィリング戦略が支配的なモデリングコンポーネントとして現れ、スムーズな分布やプロキシ選択基準よりも予測性能に大きな影響を与えることが多かった。 予測値の欠如がかなりの割合にあるデータセットでは,木系モデルの解釈可能性や柔軟性を維持しつつ,提案手法はCARTよりも高い性能を示した。

関連論文リスト

• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• Handling Missing Data in Probabilistic Regression Trees: Methods and Implementation in R [0.0]
  確率的回帰木(PRTrees)は、各データポイントとツリーの異なる領域を関連付ける確率関数を組み込むことで、従来の決定木を一般化する。 本稿では,3つの異なるアプローチにより,共変量における欠落値を扱うことができるPRTreeの適応について紹介する。 提案手法は,不完全データセットへの適用性を拡張しつつ,PRTreesの解釈可能性特性を保存する。
  論文  参考訳（メタデータ） (2025-10-04T02:39:09Z)
• Learning Decision Trees as Amortized Structure Inference [59.65621207449269]
  本稿では,予測決定木アンサンブルを学習するためのハイブリッドアモータイズされた構造推論手法を提案する。 提案手法であるDT-GFNは,標準分類ベンチマークにおける最先端決定木やディープラーニング手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-10T07:05:07Z)
• Ensembles of Probabilistic Regression Trees [46.53457774230618]
  木に基づくアンサンブル法は多くの応用や研究で回帰問題に成功している。 本研究では,確率分布に関する各領域の観察を割り当てることで,目的関数のスムーズな近似を提供する確率回帰木のアンサンブルバージョンについて検討する。
  論文  参考訳（メタデータ） (2024-06-20T06:51:51Z)
• Building Trees for Probabilistic Prediction via Scoring Rules [0.0]
  非パラメトリックな予測分布を生成するために木を修正することを研究する。 木を構築するための標準的な手法は、良い予測分布にはならないかもしれない。 我々は,適切なスコアリングルールに基づいて,木の分割基準を1つに変更することを提案する。
  論文  参考訳（メタデータ） (2024-02-16T20:04:13Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• TreeFlow: Going beyond Tree-based Gaussian Probabilistic Regression [0.0]
  ツリーアンサンブルを使うことの利点と柔軟な確率分布をモデル化する能力を組み合わせたツリーベースアプローチであるTreeFlowを紹介した。 提案手法は, 諸量, 特徴量, 目標寸法の異なる回帰ベンチマークを用いて評価する。
  論文  参考訳（メタデータ） (2022-06-08T20:06:23Z)
• On Uncertainty Estimation by Tree-based Surrogate Models in Sequential Model-based Optimization [13.52611859628841]
  予測不確実性推定の観点から,ランダム化木の様々なアンサンブルを再検討し,その挙動について検討する。 BwO林と呼ばれる無作為な樹木のアンサンブルを構築するための新しい手法を提案する。 実験により,既存の樹木モデルに対するBwO林の有効性と性能について様々な状況で検証した。
  論文  参考訳（メタデータ） (2022-02-22T04:50:37Z)
• Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic Regression [51.770998056563094]
  PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。 既存の最先端手法と比較してPGBMの利点を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-03T08:32:13Z)

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。