論文の概要: Ensembles of Exactly Solved Subsamples for Clusterwise Regression: Trimming Without a Trimming Level

• arxiv url: http://arxiv.org/abs/2609.31019v1
• Date: Fri, 25 Sep 2026 09:13:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.321493
• Title: Ensembles of Exactly Solved Subsamples for Clusterwise Regression: Trimming Without a Trimming Level
• Title（参考訳）: クラスタワイズ回帰のための厳密解サブサンプルのアンサンブル:トリミングレベルのないトリミング
• Abstract要約: クラスタ最小二乗は、回帰データを別々の線形適合を持つKグループに分割する。 基本学習者が正確であるアンサンブルについて検討する: サイズ m n のランダムなサブサンプルのそれぞれに大域的最適性を求める問題を解き、各解を最も近い表面配置で拡張し、ラベルを整列し、投票や選考によって複製を組み合わせる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clusterwise least squares partitions regression data into K groups with separate linear fits. We study an ensemble whose base learner is exact: solve the problem to global optimality on each of B random subsamples of size m << n, extend each solution by nearest-surface assignment, align the labels, and combine the replicates by vote or by selection. Each replicate is then an empirical K-quantizer on m points, and the ensemble admits an exact analysis. A vote is correct at a unit once the probability of a clean subsample times the clean-data replicate accuracy exceeds one half, whatever the contaminating values; iterating the ensemble on the units it has not flagged gives a variant that estimates the trimming level rather than requiring it. With up to 20% of gross outliers in the response its worst-case accuracy was 0.89, against 0.80 for trimmed alternation at the true contamination fraction and less at every fixed level tried. Conditionally on the data the replicates are i.i.d., so the vote converges exponentially fast in B to the plurality partition of the replicate law, agreeing with the criterion minimiser outside a boundary set whose size depends on m and the micro-solver, not on B. For the two-group location model, subsamples of order 1/pi_min make a replicate right more often than wrong above a separation threshold. An O(n^3) enumeration gives the exact minimiser for two groups and one covariate, against which the theory is checked. On clean data the ensemble loses to multistart alternation at equal cost.
• Abstract（参考訳）: クラスタ最小二乗は、回帰データを別々の線形適合を持つKグループに分割する。 基本学習者が正確であるアンサンブルについて検討する: 大きさ m<<n> のランダムなサブサンプルのそれぞれに大域的最適性を求める問題を解き、各解を最も近い表面配置で拡張し、ラベルを整列し、投票や選考によって複製を組み合わせる。 それぞれの複製は m 点上の経験的 K-量子化器であり、アンサンブルは正確な解析を行う。 クリーンなサブサンプルの確率がクリーンなデータの複製精度が汚染値のハーフを超えると、投票が正しければ、その投票は正しい。 反応で最大で20%のアウトリーチが反応し、最悪の場合の精度は0.89であり、真の汚染率でトリミングされた改質は0.80であり、全ての固定レベルで試された。 データの条件は、すなわち、複製はBで指数関数的に速く収束するので、分割法則の複数の分割に投票は収束し、サイズがmとBではなくマイクロゾルバに依存する境界集合の外側の基準最小値と一致する。 O(n^3) の列挙は、2つの群と1つの共変量に対して正確なミニミザーを与える。 クリーンなデータでは、アンサンブルは対等なコストでマルチスタート交代に負ける。

関連論文リスト

• Resolving Multi-Modal Regression by Difference-Quotient-Based Clustering:Fast Coarse Conditional-Label Assignment [0.0]
  Different-Quotient Clustering (DQC) はクラスタ内の出力-vs-入出力の差を最小限にするためにデータを分割する。 より大きなクラスタ内矛盾はより深いネットワークを必要とし、オラクルラベルはクラスタ由来の等価値よりも少ないサンプルから一般化される。
  論文  参考訳（メタデータ） (2026-08-26T07:34:23Z)
• Conditioning Tree-Based Diffusions and Flows for Probabilistic Tabular Regression [0.0]
  木に基づく拡散モデルは、神経密度推定器を使わずに回帰の柔軟な条件付き予測分布に適合する。 これらのデフォルトはバインディングの制約であることを示す: 勾配のブーストされたアンサンブルが実際に解決するのは、教師付き回帰問題である。 DiffGBM を2つの軸に沿って明示する。
  論文  参考訳（メタデータ） (2026-07-30T22:08:02Z)
• One-Bit Clustering for Two Component Sub-Gaussian Mixture Models [17.177800879292963]
  2成分のガウス混合モデルに対する最初の1ビットクラスタリング法を提案する。 この方法は、ディザード量子化器によって得られた各サンプルのエントリ毎に1ビットしか使用しない。
  論文  参考訳（メタデータ） (2026-06-20T04:18:08Z)
• Ensemble Threshold Calibration for Stable Sensitivity Control [0.0]
  本稿では,数千万組の幾何対もの幾何に対して,過度に分散した正確なリコールを実現するエンド・ツー・エンドのフレームワークを提案する。 我々のアプローチは、小さなエラーで常にリコールターゲットにヒットし、他のキャリブレーションと比較して冗長な検証を減らし、単一のTPU v3コア上でエンドツーエンドで実行します。
  論文  参考訳（メタデータ） (2025-10-02T15:22:28Z)
• Optimal Multi-Distribution Learning [88.3008613028333]
  マルチディストリビューション学習は、$k$の異なるデータ分散における最悪のリスクを最小限に抑える共有モデルを学ぶことを目指している。 本稿では, (d+k)/varepsilon2の順に, サンプルの複雑さを伴って, ヴァレプシロン最適ランダム化仮説を導出するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-08T16:06:29Z)
• Minimum-Risk Recalibration of Classifiers [9.31067660373791]
  平均二乗誤差分解の枠組みにおいて,最小リスク再校正の概念を導入する。 校正分類器の転送には,スクラッチから再校正するのに比べて,ターゲットサンプルが著しく少ないことが示されている。
  論文  参考訳（メタデータ） (2023-05-18T11:27:02Z)
• Computationally efficient sparse clustering [67.95910835079825]
  我々はPCAに基づく新しいクラスタリングアルゴリズムの有限サンプル解析を行う。 ここでは,ミニマックス最適誤クラスタ化率を,体制$|theta infty$で達成することを示す。
  論文  参考訳（メタデータ） (2020-05-21T17:51:30Z)
• Non-Adaptive Adaptive Sampling on Turnstile Streams [57.619901304728366]
  カラムサブセット選択、部分空間近似、射影クラスタリング、および空間サブリニアを$n$で使用するターンタイルストリームのボリュームに対する最初の相対エラーアルゴリズムを提供する。 我々の適応的なサンプリング手法は、様々なデータ要約問題に多くの応用をもたらしており、これは最先端を改善するか、より緩和された行列列モデルで以前に研究されただけである。
  論文  参考訳（メタデータ） (2020-04-23T05:00:21Z)

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。