論文の概要: Fréchet Oblique Forest for Non-Euclidean Regression
- arxiv url: http://arxiv.org/abs/2611.16209v1
- Date: Thu, 12 Nov 2026 03:00:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.304907
- Title: Fréchet Oblique Forest for Non-Euclidean Regression
- Title(参考訳): 非ユークリッド回帰のためのフレシェ斜め森林
- Abstract要約: 本研究では,非ユークリッド回帰に対するFréchet oblique forests (FOF) を提案する。
アレクサンドロフ内積スコアは、計量予測空間の方向分割を定義し、ユークリッド予測器の通常の斜め分割を復元する。
- 参考スコア(独自算出の注目度): 17.401818437789128
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We propose Fréchet oblique forests (FOF) for non-Euclidean regression with predictors and responses in metric spaces. An Alexandrov inner-product score defines directional splits in metric predictor spaces and recovers ordinary oblique splits for Euclidean predictors. Candidate splits are evaluated through pairwise response distances, avoiding repeated Fréchet mean computations during split search. Forest predictions minimize a weighted Fréchet criterion obtained by averaging leaf weights across trees. For compatible tree rules, we establish integrated consistency and polynomial risk bounds under explicit approximation and entropy conditions. Simulations with matrices, distributions, spherical data and mixed predictors, together with an application to taxi-flow networks, demonstrate competitive predictive performance.
- Abstract(参考訳): 本研究では,非ユークリッド回帰に対するFréchet oblique forests (FOF) を提案する。
アレクサンドロフ内積スコアは、計量予測空間の方向分割を定義し、ユークリッド予測器の通常の斜め分割を復元する。
候補分割は、ペアの応答距離によって評価され、分割探索中にフレシェ平均計算を繰り返すことを避ける。
森林予測は、樹木全体の葉の重量を平均化することによって得られる重み付きフレシェ基準を最小化する。
整合性木規則に対しては、明示的な近似とエントロピー条件の下で統合整合性と多項式リスク境界を確立する。
行列,分布,球面データ,混合予測器によるシミュレーションと,タクシーフローネットワークへの応用は,競争力のある予測性能を示す。
関連論文リスト
- Smoothness-Based Derandomization of PAC-Bayes Bounds [48.06655334157014]
滑らかな損失関数に対するPAC-Bayesデランドマイゼーションについて検討した。
我々は,ギブス予測器から後方平均における決定論的予測器への非有界通過に正確なコストがかかることを示した。
結果は線形予測器やスムーズなニューラルネットワークに特化する。
論文 参考訳(メタデータ) (2026-06-17T14:17:44Z) - Clustered random forests with correlated data for optimal estimation and inference under potential covariate shift [4.13592995550836]
我々はクラスタ内の依存を示す独立したグループから生じるランダムなデータに対するランダムなフォレストアルゴリズムであるClustered Random Forestsを開発した。
集団化されたランダム林を構成する各決定木の葉回り予測は、重み付き最小二乗推定器の形を取る。
伐採された無作為林は、特定の樹木分割基準に対して、ポイントワイド条件の平均推定に最適なミニマックスレートを示す。
論文 参考訳(メタデータ) (2025-03-16T20:07:23Z) - 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) - Projected random forests and conformal prediction of circular data [1.6385815610837167]
我々は、任意の線形応答回帰モデルを円形応答に適した形式に変換する一般的なプロジェクション手順を解析する。
合成および実データに対して、結果として生じるランダムな森林モデルは、より効率的なアウト・オブ・バグの共形予測セットを生成する。
論文 参考訳(メタデータ) (2024-10-31T17:05:52Z) - Statistical Advantages of Oblique Randomized Decision Trees and Forests [3.468886360466785]
多次元モデルのフレキシブル関数クラスに対して一般化誤差境界と収束率を求める。
軸方向のモンドリアン木のリスクに対する低い境界が得られ、これらの推定子は一般リッジ関数に最適であることが証明された。
論文 参考訳(メタデータ) (2024-07-02T17:35:22Z) - 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) - Nonparametric Score Estimators [49.42469547970041]
未知分布によって生成されたサンプルの集合からスコアを推定することは確率モデルの推論と学習における基本的なタスクである。
正規化非パラメトリック回帰の枠組みの下で、これらの推定器の統一的なビューを提供する。
カールフリーカーネルと高速収束による計算効果を享受する反復正規化に基づくスコア推定器を提案する。
論文 参考訳(メタデータ) (2020-05-20T15:01:03Z)
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。