論文の概要: Unimodality-Promoting Regularized Learning for Ordinal Regression

• arxiv url: http://arxiv.org/abs/2608.08359v1
• Date: Sat, 08 Aug 2026 22:55:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.788228
• Title: Unimodality-Promoting Regularized Learning for Ordinal Regression
• Title（参考訳）: 正規化学習における一様性による正規化学習
• Authors: Ryoya Yamasaki,
• Abstract要約: Unimodality-promoting regularized learning (UPRL)は、特に小規模のトレーニングデータで予測性能を改善することを約束している。 本研究では,従来のUPRL法によって予測されたCDDが一過性に近づいただけでなく,規模が大きくなったことを示唆する。 提案したUPRL法は,従来のUPRL法と比較して,小型データや大規模トレーニングデータよりも優れているが,予期せぬスケール関連バイアスの有無から,本実験を解説する。
• 参考スコア（独自算出の注目度）: 3.0458514384586404
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ordinal regression, also called ordinal classification, is classification of ordinal data, in which the underlying target variable is categorical and considered to have a natural ordinal relation. Previous works have indicated that, in many real-world ordinal data, the conditional probability distribution (CPD) of the target variable given a value of the explanatory variable would be unimodal in a large domain of the explanatory variable and close to be unimodal even in a remaining domain. Therefore, unimodality-promoting regularized learning (UPRL), which promotes a predicted CPD closer to be unimodal with the aim of decreasing a prediction variance without inducing much bias for ordinal data of the unimodality, is promising to improve the prediction performance especially with small-size training data. In this study, we show that previous UPRL methods promote a predicted CPD to not only become closer to be unimodal but also have a larger scale (in other words, be smoother or less-confident). Therefore, we develop a novel method that more strictly reflects the idea of UPRL and evades a scale-related bias, and verify through experimental comparison that the unimodality-promotion indeed contributes to improve the prediction performance. Additionally, while our proposed UPRL method could perform better for smaller-scale data or with larger-size training data compared to a previous UPRL method, our analysis explains this experimental observation in terms of the presence or absence of an unexpected scale-related bias.
• Abstract（参考訳）: 順序回帰 (ordinal regression) または順序分類(ordinal classification)は、順序データの分類であり、基礎となる対象変数は分類学的であり、自然な順序関係を持つと考えられている。 以前の研究では、多くの実世界の順序データにおいて、説明変数の値が与えられた対象変数の条件確率分布(CPD)は、説明変数の大きな領域において一様であり、残りの領域においても一様であることが示されている。 したがって、一様性の正規化学習(UPRL)は、一様性の正規化データのバイアスを伴わずに予測CPDを一様に近い状態にし、予測分散を減少させることを目的としており、特に小型の訓練データにおいて予測性能を向上させることを約束している。 本研究では,従来のUPRL法により予測されたCDDが一過性に近づいただけでなく,より大きなスケール(つまり,よりスムーズで信頼性の低いもの)に近づくことが示唆された。 そこで本研究では,UPRLの考え方をより厳密に反映し,スケール関連バイアスを回避し,一様性運動が実際に予測性能の向上に寄与することを示す実験的な比較によって検証する手法を開発した。 さらに,提案手法は,従来のUPRL法と比較して,小型データや大規模トレーニングデータに対して優れた性能を示すことができるが,本実験では,予期せぬスケール関連バイアスの存在や欠如について説明する。

関連論文リスト

• Approximately Unimodal Likelihood Models for Ordinal Regression [3.0458514384586404]
  多くの実世界の順序データから、対象変数の条件付き確率分布(CPD)が不定値となる傾向が示されている。 我々は, ほぼ一助確率モデルを提案し, 一助確率と一助確率に近い一助確率モデルを提案する。 また,提案モデルが順序データとORタスクの統計的モデリングに有効であることを実験的に検証した。
  論文  参考訳（メタデータ） (2025-09-30T18:03:17Z)
• Multiply Robust Conformal Risk Control with Coarsened Data [0.0]
  コンフォーマル予測(CP)は近年,膨大な関心を集めている。 本稿では、粗いデータから得られる結果に対して、分布自由な有効予測領域を得るという一般的な問題について考察する。 半パラメトリック理論の原則的利用は、フレキシブルな機械学習手法の促進の鍵となる利点を持つ。
  論文  参考訳（メタデータ） (2025-08-21T12:14:44Z)
• A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
  観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。 逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。 本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
  論文  参考訳（メタデータ） (2025-05-16T17:00:52Z)
• Stratified Prediction-Powered Inference for Hybrid Language Model Evaluation [62.2436697657307]
  予測駆動推論(英: Prediction-powered Inference, PPI)は、人間ラベル付き限られたデータに基づいて統計的推定を改善する手法である。 我々はStratPPI(Stratified Prediction-Powered Inference)という手法を提案する。 単純なデータ階層化戦略を用いることで,基礎的なPPI推定精度を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2024-06-06T17:37:39Z)
• Singular Value Penalization and Semantic Data Augmentation for Fully Test-Time Adaptation [5.891527229524256]
  テスト時間適応(FTTA)は、テストフェーズ中にソースドメイン上でトレーニングされたモデルをターゲットドメインに適応させる。 本稿では,その分散を最小化しながら特異値の和を最大化することを提案する。 これにより、モデルがより小さな特異値に焦点を合わせ、より挑戦的なクラス間の差別性を高め、予測結果の多様性を効果的に増大させることができる。
  論文  参考訳（メタデータ） (2023-12-10T01:08:56Z)
• False Correlation Reduction for Offline Reinforcement Learning [115.11954432080749]
  本稿では,実効的かつ理論的に証明可能なアルゴリズムであるオフラインRLに対するfalSe Correlation Reduction (SCORE)を提案する。 SCOREは、標準ベンチマーク(D4RL)において、様々なタスクにおいて3.1倍の高速化でSoTA性能を達成することを実証的に示す。
  論文  参考訳（メタデータ） (2021-10-24T15:34:03Z)
• Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
  変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。 よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:58:13Z)
• 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)
• Stratified Learning: A General-Purpose Statistical Method for Improved Learning under Covariate Shift [1.1470070927586016]
  本稿では,学習セットが代表的でない場合の教師あり学習を改善するための,シンプルで統計的に原理化された理論的に正当化された手法を提案する。 因果推論において確立された方法論を基礎として,共変量シフトの影響を条件付けによって低減・排除できることを示す。 本稿では,宇宙論における2つの現代の研究課題に対する汎用的手法の有効性を実証する。
  論文  参考訳（メタデータ） (2021-06-21T15:53:20Z)

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。