文献

J-GLOBAL ID：202102284237592842   整理番号：21A2346604

Bayes深層ネットGLMとGLMM【JST・京大機械翻訳】

Bayesian Deep Net GLM and GLMM

著者 (4件)： Tran M.-N. (Discipline of Business Analytics, The University of Sydney Business School and ACEMS, Sydney, Australia) ,  Nguyen N. (Discipline of Business Analytics, The University of Sydney Business School and ACEMS, Sydney, Australia) ,  Nott D. (Department of Statistics and Applied Probability, National University of Singapore, Singapore) ,  Kohn R. (School of Economics, UNSW Business School and ACEMS, Sydney, Australia)
資料名： Journal of Computational and Graphical Statistics  (Journal of Computational and Graphical Statistics)
巻： 29  号： 1  ページ： 97-113  発行年： 2020年 
JST資料番号： W2313A  ISSN： 1061-8600  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 深層フィードフォワードニューラルネットワーク(DFNN)は,機能的近似のための強力なツールである。DFNNによって形成された基底関数を組み込んだ一般化線形および一般化線形混合モデルの柔軟なバージョンを記述した。ランダム効果によるニューラルネットワークの考察は,すでに複雑なモデルに主題特異的パラメータを組み込む計算上の課題のため,文献では広く使用されていない。Gauss変分近似を用いて,共分散行列の近似的ではあるが柔軟な因子パラメタリゼーションを用いて,高次元Bayes推定のための効率的な計算法を開発した。自然勾配の計算における変分共分散行列の因子構造を利用して,最適化のために自然勾配法を実行した。柔軟なDFNNモデルとBayes推論アプローチは,高い予測精度を持つ回帰と分類法を導き,原理と便利な方法で予測の不確実性を定量化できる。また,深層学習法における変数選択を実行する方法について述べた。提案方法を広範囲のシミュレーションおよび実データ例において例示して,統計的文献,Bayes加法回帰木(BART)法における最新のフレキシブル回帰および分類方法の状態に対して,有利に比較した。提案方法を実行するMatlab,R,およびPythonにおけるユーザフレンドリーなソフトウェアパッケージは,https://github.com/VBayesLabで利用可能である。Please refer to the publisher for the copyright holders. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  変分法 ,  ニューラルネットワーク ,  Bayes推定 ,  *近似法 ,  プログラムパッケージ ,  加算 ,  高次元 ,  基底関数
準シソーラス用語： 共分散行列 ,  予測精度 ,  MATLAB ,  フィードフォワードニューラルネットワーク ,  Python ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (6件)： 深層学習 ,  因子モデル ,  再パラメタリゼーション勾配 ,  確率的最適化 ,  可変選択 ,  変分近似

分類 (2件)： システム・制御理論一般  (IA02010H) ,  数値計算  (JE02000J)

タイトルに関連する用語 (2件)： 深層 ,  ネット