Fugu-MT 論文翻訳(概要): Just add noise: Debiasing tree-based variable importance in mixed data

論文の概要: Just add noise: Debiasing tree-based variable importance in mixed data

arxiv url: http://arxiv.org/abs/2609.14083v1
Date: Sat, 12 Sep 2026 17:53:28 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 07:15:05.667338
Title: Just add noise: Debiasing tree-based variable importance in mixed data
Title（参考訳）: ノイズを追加する: 混合データにおけるツリーベースの変数の重要性を損なう
Abstract要約: 本稿では,このバイアスを理論的に解析し,各カテゴリーの予測器に少量のノイズを付加する簡単な治療法を提案する。この補正は、様々なシミュレーションおよび実世界のデータセット上で実証され、統合された経路選択と組み合わせて、混合データに対する偽発見制御による可変選択を行う。
参考スコア（独自算出の注目度）: 1.6502795345046344
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Variable importance scores from tree-based methods such as random forests favor continuous predictors over categorical ones. We present a theoretical analysis of this bias and propose a simple remedy: add a small amount of noise to each categorical predictor. The correction is demonstrated on a variety of simulated and real-world datasets and combined with integrated path stability selection to perform variable selection with false discovery control for mixed data.
Abstract（参考訳）: ランダム・フォレストのような木に基づく手法から得られる様々な重要なスコアは、カテゴリー別よりも連続的な予測因子を好んでいる。本稿では,このバイアスを理論的に解析し,各カテゴリーの予測器に少量のノイズを付加する簡単な治療法を提案する。この補正は、様々なシミュレーションおよび実世界のデータセット上で実証され、統合された経路安定選択と組み合わせて、混合データに対する偽発見制御による可変選択を行う。

関連論文リスト

Impute-EM: Native Mixed-State Diffusion Models for Heterogeneous Data Imputation [71.74203645336385]
Impute-EMは、現在のモデルとインプットされていないエントリを交換し、完了したデータに拡散バックボーンをリフィットする。我々は、この更新を特徴付け、観測されたマスクインデクシングされた辺縁線が、その限界で目標と一致していることを示す。
論文参考訳（メタデータ） (2026-09-14T09:39:13Z)
Clustered random forests with correlated data for optimal estimation and inference under potential covariate shift [4.13592995550836]
我々はクラスタ内の依存を示す独立したグループから生じるランダムなデータに対するランダムなフォレストアルゴリズムであるClustered Random Forestsを開発した。集団化されたランダム林を構成する各決定木の葉回り予測は、重み付き最小二乗推定器の形を取る。伐採された無作為林は、特定の樹木分割基準に対して、ポイントワイド条件の平均推定に最適なミニマックスレートを示す。
論文参考訳（メタデータ） (2025-03-16T20:07:23Z)
Challenges learning from imbalanced data using tree-based models: Prevalence estimates systematically depend on hyperparameters and can be upwardly biased [0.0]
この方法で無作為林を校正することは、有病率推定を含む負の結果をもたらすことを示す。決定木が多数派に偏っているという広く信じられているにもかかわらず、実際には少数派に偏っている。
論文参考訳（メタデータ） (2024-12-17T19:38:29Z)
Inference with Mondrian Random Forests [7.404568009919416]
我々は、モンドリアンのランダムな森林回帰推定器に対して、ベリー・エッセイン型中央極限定理とともに、正確なバイアスと分散特性を与える。未知回帰関数に対する有効な統計的推測法を提案する。効率的で実装可能なアルゴリズムは、バッチとオンラインの学習設定の両方に考案されている。
論文参考訳（メタデータ） (2023-10-15T01:41:42Z)
Semantic Equivariant Mixup [54.734054770032934]
Mixupは、トレーニング分布を拡張し、ニューラルネットワークを正規化する、確立されたデータ拡張テクニックである。以前のミックスアップの変種はラベル関連の情報に過度に焦点をあてる傾向がある。入力中のよりリッチな意味情報を保存するための意味的同変混合(sem)を提案する。
論文参考訳（メタデータ） (2023-08-12T03:05:53Z)
MURAL: An Unsupervised Random Forest-Based Embedding for Electronic Health Record Data [59.26381272149325]
異なる変数型でデータを表現するための教師なしランダムフォレストを提案する。 muraL forestsは、ノード分割変数がランダムに選択される一連の決定ツリーで構成されている。提案手法を用いることで,競合するアプローチよりも正確なデータの視覚化と分類が可能であることを示す。
論文参考訳（メタデータ） (2021-11-19T22:02:21Z)
Sampling-free Variational Inference for Neural Networks with Multiplicative Activation Noise [51.080620762639434]
サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
論文参考訳（メタデータ） (2021-03-15T16:16:18Z)
Achieving Reliable Causal Inference with Data-Mined Variables: A Random Forest Approach to the Measurement Error Problem [1.5749416770494704]
一般的な実証的戦略は、利用可能なデータから関心のある変数を'マイニング'する予測モデリング手法の適用を含む。最近の研究は、機械学習モデルからの予測は必然的に不完全であるため、予測変数に基づく計量分析は測定誤差によるバイアスに悩まされる可能性が高いことを強調している。ランダムフォレストと呼ばれるアンサンブル学習技術を用いて,これらのバイアスを軽減する新しい手法を提案する。
論文参考訳（メタデータ） (2020-12-19T21:48:23Z)
Stable Prediction via Leveraging Seed Variable [73.9770220107874]
従来の機械学習手法は、非因果変数によって誘導されるトレーニングデータにおいて、微妙に刺激的な相関を利用して予測する。本研究では, 条件付き独立性テストに基づくアルゴリズムを提案し, 種子変数を先行変数とする因果変数を分離し, 安定な予測に採用する。我々のアルゴリズムは、安定した予測のための最先端の手法より優れている。
論文参考訳（メタデータ） (2020-06-09T06:56:31Z)
Balance-Subsampled Stable Prediction [55.13512328954456]
本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
論文参考訳（メタデータ） (2020-06-08T07:01:38Z)
Fr\'echet random forests for metric space valued regression with non euclidean predictors [0.0]
我々はFr'echet木とFr'echetランダムフォレストを導入し、入力変数と出力変数が一般的な距離空間で値を取るデータを処理する。データ駆動分割を用いたFr'echet回帰図予測器の一貫性定理をFr'echetの純粋にランダムな木に適用する。
論文参考訳（メタデータ） (2019-06-04T22:07:24Z)

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。