論文の概要: Correctness and Predictive Uncertainty in Bayesian TSK Fuzzy Regression: A Reproducible Evaluation on Tabular and Building-Meter Data
- arxiv url: http://arxiv.org/abs/2611.01447v1
- Date: Sun, 01 Nov 2026 02:35:57 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-03 19:14:45.181476
- Title: Correctness and Predictive Uncertainty in Bayesian TSK Fuzzy Regression: A Reproducible Evaluation on Tabular and Building-Meter Data
- Title（参考訳）: ベイジアンTSKファジィ回帰の正しさと予測不確かさ : タブラリデータとビル・メータデータによる再現性の評価
- Abstract要約: 我々は,高木-スゲノ-カン(TSK)回帰実装を再検討し,その密度の高い共役ベイズ,BICベース,規則レベルのスパイク・アンド・スラブ推定器を修正コードを用いて再構築する。
建物データジェノム2mデータと17箇所158棟の建物を対象とし, 時間的境界データを用いて, 同一のワークフローを評価する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Uncertainty estimates from fuzzy regression are informative only when the implementation is correct and the comparison protocol makes the sources of variation visible. We revisit a first-order Takagi--Sugeno--Kang (TSK) regression implementation and rebuild its dense, conjugate Bayesian, BIC-based, and rule-level spike-and-slab estimators using corrected code. The corrected pipeline freezes the Gaussian membership partition at training time, uses a scaled conjugate prior, evaluates firing strengths in the log domain, and reports direct posterior-predictive quantiles for Bayesian methods. Across 30 outer 80/20 splits on three targets from two UCI regression datasets, corrected TSK-LS obtains $R^2=0.957$, $0.923$, and $0.786$ on Energy-Heating, Energy-Cooling, and Concrete, respectively; rule-level Gibbs sampling with Bayesian model averaging obtains $0.957$, $0.922$, and $0.784$. We then evaluate the same workflow on a bounded chronological sample of the Building Data Genome 2 meter data that covers 158 buildings across 17 sites. In a common-unit evaluation, every method is scored on the same 47,400 test rows and every trained model uses 94,800 train--validation rows. Persistence has RMSE $27.710$, compared with $29.083$ for both TSK-LS and Bayesian TSK; the pre-specified building-level mean RMSE difference between Bayesian TSK and persistence is $+0.0447$ with a 95% site-cluster bootstrap interval of $[-1.5536,1.5665]$. The Bayesian TSK 90% intervals have PICP $0.980$ and MPIW $116.469$. Taken together, the evidence supports a narrower conclusion: spike-and-slab model averaging is a reproducible implementation option, but it does not provide a demonstrated accuracy or calibration advantage across the tested tabular and building-meter settings.
- Abstract（参考訳）: ファジィ回帰からの不確実性推定は、実装が正しい場合にのみ情報化され、比較プロトコルは変動源を可視化する。
我々は,高木-スゲノ-カン(TSK)回帰実装を再検討し,その密度の高い共役ベイズ,BICベース,規則レベルのスパイク・アンド・スラブ推定器を修正コードを用いて再構築する。
修正されたパイプラインは、トレーニング時にガウスのメンバーシップパーティションを凍結し、スケールした共役を用いて、ログドメインの発火強度を評価し、ベイズ法による直接後部予測量子化を報告する。
TSK-LSはエネルギー加熱、エネルギー冷却、コンクリートについてそれぞれ$R^2=0.957$、$0.923$、$0.786$を得るが、ベイジアンモデル平均サンプリングによるルールレベルのギブズは$0.957$、$0.922$、$0.784$を得る。
次に、同じワークフローを、17のサイトにわたる158の建物をカバーするビルディングデータゲノム2mデータの境界時間サンプルで評価する。
共通ユニット評価では、各メソッドは同じ47,400の試験行でスコアされ、訓練されたモデル毎に94,800の検証行が使用される。
持続性は RMSE $27.710$ であり、TSK-LS と Bayesian TSK の両者で29.083$ であるのに対し、Bayesian TSK と Persistence は 95% のサイトクラスタブートストラップ間隔が [-1.5536,1.5665]$ である。
ベイジアンTSKの90%間隔はPICP$0.980$、MPIW$16.469$である。
スパイク・アンド・スラブのモデル平均化は再現可能な実装オプションであるが、テストされた表やビルメータの設定に対して、証明された精度やキャリブレーションの利点を提供するものではない。
関連論文リスト
- SCAFFOLD under Hessian Similarity: Sharp Convergence Rates [63.995660330510105]
フェデレーション学習の主な課題の1つは、クライアント間での不均一なデータ分割であり、クライアントドリフトと呼ばれるローカル更新にバイアスがかかる。
SCAFFOLD(Karimireddy et al., 2020)は、クライアントのドリフトを二次的に補正するが、元の保証との関係はまだ完全には理解されていない。
我々は,クライアント選択の変種に対して,均一なヘッセン類似性の下で,類似した局データ保証を証明した。
論文 参考訳（メタデータ） (2026-10-26T16:09:02Z) - Variational Filtering for Bayesian Last Layers with an Independent Binary Probit Surrogate [41.81526577151929]
深層分類器の最終層に対する変分フィルタリングアルゴリズムを提案する。
各ミニバッチは正確な予測ステップで同化され、その後クローズドフォームの変分更新が行われる。
DINOv3のバックボーンを同一のプロトコルで調整した2つのベースラインに対して評価した。
論文 参考訳（メタデータ） (2026-10-12T11:00:05Z) - Adaptive Robust Confidence Sets in High Dimensions [60.353542776481596]
本研究では,不確実性を同時に定量化することにより,情報理論的に最適な適応信頼セットを構築することができることを示す。
統計的には最適であるが、この構成は計算的に不可能である。
論文 参考訳（メタデータ） (2026-10-11T16:00:46Z) - The Price of Peeking: Anytime-Valid Leakage Detection on ML-KEM EM Traces [45.88028371034407]
本研究は, ベットによる検査に基づく漏洩検出について検討する。
13000～20000のサンプルに対して繰り返し表示される$|t|>4.5$は2.7-12.9%の複製で誤報を発生させた。
論文 参考訳（メタデータ） (2026-09-27T14:14:10Z) - A Leakage-Safe, Cost-Aware Regression Testing Methodology for the Quantum Transpiler [0.0]
継続的インテグレーション(CI)は、固定予算の下で、大規模でコストの不均一なスイートからテストを選択および優先順位付けする必要があります。
本稿では,Qiskit量子トランスパイラに対するリークセーフでコストを考慮した回帰-テスト-選択手法を提案する。
論文 参考訳（メタデータ） (2026-09-24T01:32:28Z) - $t_0$: A Time-Series Foundation Model for Forecasting with Context [1.1451927710578278]
私たちは、それぞれ$texttt0-alpha$と$texttt0-beta$を102Mと256Mパラメータとしてリリースします。
GIFT-Evalでは、$texttt0-alpha$は0.4941、$texttt0-beta$は0.4738、MASEは0.6865となる。
fev-benchでは42.2点、46.7点、後半は3点、下位は2.0点となる。
論文 参考訳（メタデータ） (2026-09-21T13:22:55Z) - Mean-to-Score Discrete Diffusion: Posterior-Mean Denoisers for Score Entropy [17.48959208263029]
我々は,クリーンな後進平均を予測し,正確なカーネル依存線形写像を用いてスコアに変換するEmphmean-to-score (M2S)を導入する。
均一な汚職のために、確率的単純度をブリッジポリトープにマッピングし、吸収マスクの破損のためにMD4を正確に回収する。
論文 参考訳（メタデータ） (2026-07-23T14:37:30Z) - Scaling Laws for Agent Harnesses via Effective Feedback Compute [53.68149869349268]
emphEffective Feedback Compute (EFC)は、情報的、有効、非冗長な場合にのみフィードバックを信用し、その後の決定のために保持するトレースレベルのスケーリング座標である。
EFCベースの座標は、生の計算ベースラインよりも失敗率を常に予測する。
論文 参考訳（メタデータ） (2026-05-28T09:45:47Z) - Amortized Simulation-Based Inference in Generalized Bayes via Neural Posterior Estimation [1.096028999747108]
一般化ベイズ推論(英語版)(GBI)は、過信を緩和し、モデルの不特定性の下で改善するために温度$>0$の損失を誘惑する。
本研究は,1つの前進パスでサンプリング可能な1ドル(x,)$条件のニューラルな後進推定器$q_(mid x,)$をトレーニングすることにより,最初の完全償却変分近似を後進群$p_(mid x) propto (),p(x mid )$に与える。
論文 参考訳（メタデータ） (2026-01-29T22:20:47Z) - Computationally and Statistically Efficient Truncated Regression [36.3677715543994]
計算的かつ統計的に効率的な線形回帰の古典的問題に対する推定器を提供する。
提案手法では, トランキャット標本の負の対数類似度に代わることなく, プロジェクテッド・Descent Gradient (PSGD) を用いて推定する。
本稿では,SGDが単一層ニューラルネットワークの雑音活性化関数のパラメータを学習することを示す。
論文 参考訳（メタデータ） (2020-10-22T19:31:30Z)
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。