論文の概要: Multitask Regression with Pairwise Fusion

• arxiv url: http://arxiv.org/abs/2609.27280v1
• Date: Wed, 23 Sep 2026 03:13:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.853529
• Title: Multitask Regression with Pairwise Fusion
• Title（参考訳）: Pairwise Fusion を用いたマルチタスク回帰
• Abstract要約: 係数共有が予測器によって異なる場合のマルチタスク回帰について検討する。 この構造を2つの量で記述する: アクティブな予測器の数と、それらの予測器の最も一般的な値とは異なるタスク係数の総数である。
• 参考スコア（独自算出の注目度）: 2.7815610525372523
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study multitask regression when coefficient sharing can differ by predictor. For a given predictor, many tasks may have the same coefficient while a few differ, and the exceptional tasks need not be the same for another predictor. We describe this structure by two quantities: the number of active predictors and the total number of task coefficients that differ from the most common value for their predictor. We estimate the coefficient matrix by penalizing all pairwise coefficient differences across tasks, with an additional group penalty when predictor selection is needed. The resulting upper and lower bounds have the same dependence on these two quantities. We also consider the stronger setting in which a large set of tasks shares one entire coefficient vector. Under explicit sample-size conditions, the same pairwise estimator pools those tasks exactly, while allowing the remaining tasks to differ. Simulations and household energy data illustrate the transition between broad sharing and task-specific coefficients.
• Abstract（参考訳）: 係数共有が予測器によって異なる場合のマルチタスク回帰について検討する。 与えられた予測器の場合、多くのタスクは同じ係数を持つが、いくつかの異なるタスクがあり、例外的なタスクは別の予測器で同じである必要はない。 この構造を2つの量で記述する: アクティブな予測器の数と、それらの予測器の最も一般的な値とは異なるタスク係数の総数である。 予測器の選択が必要な場合、各タスク間の全ての対係数差をペナル化することにより、係数行列を推定する。 結果として得られる上界と下界は、これらの2つの量に同じ依存を持つ。 また、大きなタスクの集合が1つの係数ベクトルを共有するような強い設定も考慮する。 明示的なサンプルサイズ条件の下では、同じペアワイズ推定器がこれらのタスクを正確にプールし、残りのタスクが異なることを許す。 シミュレーションと家庭用エネルギーデータは、広い共有とタスク固有の係数の遷移を示している。

関連論文リスト

• Approximate full-conformal multi-task regression with reproducing kernels [1.2234742322758416]
  マルチタスク回帰はタスクと呼ばれる複数の回帰問題を共同で解決することを目的としている。 フルコンフォーマル予測(英: Full-conformal prediction)とは、未知の出力ベクトルを含むデータ依存予測領域を所定の信頼度で定式化するフレームワークである。 本研究では,ベクトル値関数の再現カーネルヒルベルト空間(RKHS)におけるマルチタスク回帰に着目した。
  論文  参考訳（メタデータ） (2026-07-01T08:59:35Z)
• Semiparametric conformal prediction [79.6147286161434]
  ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。 スコアの累積分布関数(CDF)を柔軟に推定する。 提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• Noise Covariance Estimation in Multi-Task High-dimensional Linear Models [8.807375890824977]
  本稿では,タスク間のノイズが相関するマルチタスク高次元線形回帰モデルについて検討する。 回帰係数をニュアンスパラメータとして扱い、マルチタスク弾性ネットとマルチタスクラッソ推定器を用いてニュアンスを推定する。 適切な条件下では、提案した推定器は「おかしな」推定器と同じ収束率に達する。
  論文  参考訳（メタデータ） (2022-06-15T02:37:37Z)
• Multi-task Supervised Learning via Cross-learning [102.64082402388192]
  我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。 我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。 これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
  論文  参考訳（メタデータ） (2020-10-24T21:35:57Z)
• Precise High-Dimensional Asymptotics for Quantifying Heterogeneous Transfers [66.66228496844191]
  2つのタスクのサンプルを組み合わせることは、1つのタスクだけを学習するよりも、いつより優れているかを示す。 この問題は、実際には観測されている負転移と呼ばれる経験的な現象によって動機付けられている。 これらの結果をランダム効果モデルで説明し、ソースタスクのサンプル数が増加するにつれて、正から負への位相遷移を数学的に証明する。
  論文  参考訳（メタデータ） (2020-10-22T14:14:20Z)
• Randomized Entity-wise Factorization for Multi-Agent Reinforcement Learning [59.62721526353915]
  実世界のマルチエージェント設定は、エージェントや非エージェントエンティティのタイプや量が異なるタスクを伴うことが多い。 我々の方法は、これらの共通点を活用することを目的としており、「観察対象のランダムに選択されたサブグループのみを考えるとき、各エージェントが期待する効用は何か?」という問いを投げかける。
  論文  参考訳（メタデータ） (2020-06-07T18:28:41Z)

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。