Fugu-MT 論文翻訳(概要): A Statistical Approach to Estimating Sample Size of Machine Learning Models

論文の概要: A Statistical Approach to Estimating Sample Size of Machine Learning Models

arxiv url: http://arxiv.org/abs/2609.09547v1
Date: Wed, 09 Sep 2026 00:03:02 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-10 19:44:08.846128
Title: A Statistical Approach to Estimating Sample Size of Machine Learning Models
Title（参考訳）: 機械学習モデルのサンプルサイズ推定のための統計的アプローチ
Abstract要約: MLモデルは、単純な解析的パワー計算を含まない複雑な予測曲面を学習する。局所化線形表現を用いた非線形MLモデルを近似するフレームワークを提案する。
参考スコア（独自算出の注目度）: 30.214806760221084
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Sample size determination for machine learning (ML) prediction models is challenging because conventional power analysis typically requires the predictor-outcome relationship and effect structure to be specified a priori. Nonlinear ML models learn complex prediction surfaces that do not admit straightforward analytical power calculations. We propose a framework that approximates nonlinear ML models with localized linear representations and estimates sample size requirements by evaluating statistical power across these local regions.
Abstract（参考訳）: 機械学習(ML)予測モデルのサンプルサイズ決定は、従来のパワー分析では、通常、予測と出力の関係と効果構造を事前に指定する必要があるため、難しい。非線形MLモデルは、単純な解析的パワー計算を含まない複雑な予測曲面を学習する。局所化線形表現を用いて非線形MLモデルを近似し,これらの局所領域にわたる統計的パワーを評価することで,標本サイズ要求を推定するフレームワークを提案する。

関連論文リスト

Random Matrix Theory for Deep Learning: Beyond Eigenvalues of Linear Models [51.85815025140659]
現代の機械学習(ML)とディープニューラルネットワーク(DNN)は高次元のデータを扱うことが多い。特に、データ次元、サンプルサイズ、モデルパラメータの数がすべて大きな比例規則は、新しく、時には直感に反する振る舞いを引き起こす。本稿では、線形モデルの固有値に基づく解析を超えて従来のランダム行列理論(RMT)を拡張し、非線形MLモデルによる課題に対処する。
論文参考訳（メタデータ） (2025-06-16T06:54:08Z)
Importance Sampling for Nonlinear Models [5.421981644827842]
非線形写像の随伴作用素の概念を導入する。これらのノルムとレバレッジスコアの概念に基づくサンプリングは、基礎となる非線形写像に対して近似を保証することを実証する。
論文参考訳（メタデータ） (2025-05-18T10:34:39Z)
DoMINO: A Decomposable Multi-scale Iterative Neural Operator for Modeling Large Scale Engineering Simulations [2.300471499347615]
DoMINOは点クラウドベースの機械学習モデルであり、局所幾何学情報を用いて離散点上の流れ場を予測する。 DoMINOは、DrivAerMLデータセットを使用して、自動車空気力学のユースケースで検証されている。
論文参考訳（メタデータ） (2025-01-23T03:28:10Z)
An Interpretable ML-based Model for Predicting p-y Curves of Monopile Foundations in Sand [5.0649910056131775]
本研究では,モノパイル基礎のp-y曲線を予測するための解釈可能な機械学習モデルを開発した。その結果,モデルが予測精度に優れていたことが示唆された。
論文参考訳（メタデータ） (2025-01-08T03:00:34Z)
Scaling and renormalization in high-dimensional regression [72.59731158970894]
リッジ回帰に関する最近の結果について統一的な視点を提示する。我々は、物理とディープラーニングの背景を持つ読者を対象に、ランダム行列理論と自由確率の基本的なツールを使用する。我々の結果は拡張され、初期のスケーリング法則のモデルについて統一的な視点を提供する。
論文参考訳（メタデータ） (2024-05-01T15:59:00Z)
Analytical results for uncertainty propagation through trained machine learning regression models [0.10878040851637999]
本稿では、トレーニング/修正機械学習(ML)回帰モデルによる不確実性伝播の課題に対処する。計算効率の観点から,本手法の有効性を検証し,モンテカルロ法と比較する数値実験を行った。
論文参考訳（メタデータ） (2024-04-17T10:16:20Z)
Bayesian Inference for Consistent Predictions in Overparameterized Nonlinear Regression [0.0]
本研究では,ベイズフレームワークにおける過パラメータ化非線形回帰の予測特性について検討した。リプシッツ連続活性化関数を持つ一般化線形および単一ニューロンモデルに対して後部収縮が成立する。提案手法は数値シミュレーションと実データアプリケーションを用いて検証した。
論文参考訳（メタデータ） (2024-04-06T04:22:48Z)
A Mechanistic Interpretation of Arithmetic Reasoning in Language Models using Causal Mediation Analysis [128.0532113800092]
算数問題に対するトランスフォーマーに基づくLMの機械的解釈を提案する。これにより、算術に関連する情報がLMによってどのように処理されるかについての洞察が得られる。
論文参考訳（メタデータ） (2023-05-24T11:43:47Z)
Measuring Causal Effects of Data Statistics on Language Model's `Factual' Predictions [59.284907093349425]
大量のトレーニングデータが、最先端のNLPモデルの高性能化の大きな理由の1つである。トレーニングデータがどのように予測に影響を及ぼすかを記述するための言語を,因果的フレームワークを通じて提供する。我々のフレームワークは、高価なモデルの再訓練の必要性を回避し、観測データのみに基づいて因果効果を推定することができる。
論文参考訳（メタデータ） (2022-07-28T17:36:24Z)
Hessian-based toolbox for reliable and interpretable machine learning in physics [58.720142291102135]
本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
論文参考訳（メタデータ） (2021-08-04T16:32:59Z)
Hessian Eigenspectra of More Realistic Nonlinear Models [73.31363313577941]
私たちは、非線形モデルの広いファミリーのためのヘッセン固有スペクトルの言語的特徴付けを行います。我々の分析は、より複雑な機械学習モデルで観察される多くの顕著な特徴の起源を特定するために一歩前進する。
論文参考訳（メタデータ） (2021-03-02T06:59:52Z)
Performance metrics for intervention-triggering prediction models do not reflect an expected reduction in outcomes from using the model [71.9860741092209]
臨床研究者はしばしばリスク予測モデルの中から選択し評価する。振り返りデータから算出される標準メトリクスは、特定の仮定の下でのみモデルユーティリティに関係します。予測が時間を通して繰り返し配信される場合、標準メトリクスとユーティリティの関係はさらに複雑になる。
論文参考訳（メタデータ） (2020-06-02T16:26:49Z)

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。