論文の概要: Distributional Regression for Arbitrary Response Variables Using ReLU Neural Networks

• arxiv url: http://arxiv.org/abs/2610.16142v1
• Date: Mon, 12 Oct 2026 04:02:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 07:26:50.975546
• Title: Distributional Regression for Arbitrary Response Variables Using ReLU Neural Networks
• Title（参考訳）: ReLUニューラルネットワークを用いた任意応答変数の分布回帰
• Abstract要約: 本稿では、任意の応答変数を持つ分散回帰のための統一的なフレームワークを開発する。 我々はスカラーしきい値やユークリッド構造に頼るのではなく、測定可能な集合によってインデックス付けされた条件付き事象確率をモデル化する。
• 参考スコア（独自算出の注目度）: 10.091168922595784
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper develops a unified framework for distributional regression with arbitrary response variables. Rather than relying on scalar thresholds or Euclidean structure, we model conditional event probabilities indexed by measurable sets, which extends distributional regression to general response spaces while retaining a direct connection to classical event-based formulations. Within this framework, we study two complementary estimators: a preliminary estimator based on separate regression of event indicators, and a constrained estimator that enforces inclusion-consistent predictions through a directed acyclic graph (DAG) over a finite set family. We establish general error bounds for both estimators and further specialize the results to dense ReLU networks, yielding explicit convergence rates overcoming the curse of dimensionality. Simulation studies and real-data experiments further demonstrate the practical effectiveness of the proposed framework.
• Abstract（参考訳）: 本稿では、任意の応答変数を持つ分散回帰のための統一的なフレームワークを開発する。 我々はスカラーしきい値やユークリッド構造に頼るのではなく、測定可能な集合によってインデックス付けされた条件付き事象確率をモデル化する。 本研究では,イベントインジケータの独立回帰に基づく予備推定器と,有限集合族上の有向非巡回グラフ(DAG)による包摂的予測を強制する制約付き推定器の2つの相補的推定器について検討する。 両推定器の一般的な誤差境界を確立し、より密集したReLUネットワークに結果を特殊化し、次元性の呪いを克服する明確な収束率を得る。 シミュレーション研究と実データ実験により,提案手法の有効性がさらに示された。

関連論文リスト

• Risk Bounds For Distributional Regression [9.92024586772767]
  連続ランクスコア(CRPS)と最悪の平均二乗誤差(MSE)に対して、一般的な上限が設定される。 シミュレーションデータと実データの両方の実験は、理論的な貢献を検証し、その実用性を実証した。
  論文  参考訳（メタデータ） (2025-05-14T02:22:12Z)
• Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
  我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。 この設定では、一般化されたクロスバリデーション推定器(GCV)がサンプル外リスクを正確に予測できないことを示す。 さらに、テストポイントがトレーニングセットと非自明な相関を持つ場合、時系列予測でしばしば発生する設定にまで分析を拡張します。
  論文  参考訳（メタデータ） (2024-08-08T17:27:29Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Errors-in-variables Fr\'echet Regression with Low-rank Covariate Approximation [2.1756081703276]
  Fr'echet回帰は、非ユークリッド応答変数を含む回帰分析のための有望なアプローチとして登場した。 提案手法は,大域的Fr'echet回帰と主成分回帰の概念を組み合わせて,回帰推定器の効率と精度を向上させることを目的とする。
  論文  参考訳（メタデータ） (2023-05-16T08:37:54Z)
• Random Forest Weighted Local Fréchet Regression with Random Objects [18.128663071848923]
  本稿では,新しいランダム森林重み付き局所Fr'echet回帰パラダイムを提案する。 最初の方法は、これらの重みを局所平均として、条件付きFr'echet平均を解くことである。 第二の手法は局所線形Fr'echet回帰を行い、どちらも既存のFr'echet回帰法を大幅に改善した。
  論文  参考訳（メタデータ） (2022-02-10T09:10:59Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)

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。