論文の概要: Group recovery after trimming, and level-free flagging, in robust clusterwise regression

• arxiv url: http://arxiv.org/abs/2609.31019v2
• Date: Thu, 01 Oct 2026 10:33:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.340652
• Title: Group recovery after trimming, and level-free flagging, in robust clusterwise regression
• Title（参考訳）: クラスタ単位の頑健な回帰におけるトリミング後のグループリカバリとレベルフリーフラグング
• Abstract要約: レベルが低すぎると適合が壊れる; 寛大すぎるほど、小さなグループをトリミングする。 まず, トリミング法やフラグング法に追従できるグループ復元法を提案する。 シミュレーションでは、不均等な基を持つ寛大なTCLUST-REGレベルの故障を修復した。
• 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: Trimming methods for robust clusterwise regression discard a fixed fraction of the data. Too low a level breaks the fit; too generous a level can trim away a small group. We first propose a group-recovery step that can follow any trimming or flagging method: it searches the discarded units for a line, tests whether those near it form a peak rather than a band, and restores the line as a group when the likelihood of Gaussian groups plus uniform noise improves by a margin like that of the Bayesian information criterion. In simulations it repaired the failures of a generous TCLUST-REG level with unequal groups, but not with three or four groups. The second proposal, ESF (exact-subsample flagging), is a flagging procedure without a trimming level: it solves the clusterwise least-squares problem exactly on small subsamples, flags units far from the best fit, and draws later subsamples from the rest. Two constants stand in for the level: a subsample size, set from a lower bound on the smallest group proportion, and a cap on the flagged set. It is meant for data about whose contamination nothing is known: TCLUST-REG at the fixed level 0.30, followed by reweighting and the recovery step, was as accurate as ESF on average up to a fifth of outliers, and higher levels were more accurate beyond. The flagged fraction estimates the contamination only when the errors are close to Gaussian. On taxi fares with known tariffs, ESF found both in every sample.
• Abstract（参考訳）: 堅牢なクラスタ回帰のためのトリミング法は、データの固定された部分を捨てる。 レベルが低すぎると適合が壊れる; 寛大すぎるほど、小さなグループをトリミングする。 まず,任意のトリミング法やフラグング法に従うことができる群回復ステップを提案し,その近傍のユニットがバンドではなくピークとなるかどうかを探索し,ガウス群と均一雑音の確率がベイズ情報基準のようなマージンによって改善された場合に,そのラインをグループとして復元する。 シミュレーションでは、TCLUST-REGが不等基を持つが、3つまたは4つの基を持たない遺伝子レベルでの故障を修復した。 2つ目の提案であるESF(exact-subsample flagging)は、トリミングレベルのないフラグングプロシージャであり、小さなサブサンプルを正確にクラスタ的に最小二乗問題を解く。 2つの定数は、最小のグループ比で下界から設定されたサブサンプルサイズと、フラグ付きセットのキャップである。 TCLUST-REGは固定レベル0.30で、その後再重み付けと回復のステップで、平均で5分の1の外れ値でESFと同じくらい正確であり、より高いレベルはそれ以上に正確であった。 フラグ付き分数では、誤差がガウスに近い場合にのみ汚染を推定する。 既知の関税のタクシー運賃では、ESFはいずれのサンプルも見つからなかった。

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。