理論的保証を持つ不確実性を意識した非線形変数選択のための統一フレームワークに向けて【JST・京大機械翻訳】

Deng Wenying; Coker Beau; Mukherjee Rajarshi; Liu Jeremiah Zhe; Coull Brent A.

プレプリント

J-GLOBAL ID：202202206926313888 整理番号：22P0332581

理論的保証を持つ不確実性を意識した非線形変数選択のための統一フレームワークに向けて【JST・京大機械翻訳】

Towards a Unified Framework for Uncertainty-aware Nonlinear Variable Selection with Theoretical Guarantees

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年04月14日プレプリントサーバーでの情報更新日： 2022年05月27日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

予測関数の不確実性を組み込んだ非線形変数選択のための簡単で統一されたフレームワークを開発し,広範囲の機械学習モデル(例えば,ツリーアンサンブル,カーネル法,ニューラルネットワークなど)と互換性がある。特に,学習した非線形モデルf(x)に対して,積分部分導関数ΔΨ_j=||∂/∂x ̄jf(x)|| ̄2_P_Xを用いて入力変数x ̄jの重要性を定量化する。次に,(1)その事後分布を導出することにより,可変選択不確実性を定量化するための原理的手法を提供し,(2)この手法がツリーアンサンブルのような非微分モデルに対してさえも一般化可能であることを示した。厳密なBayesノンパラメトリック定理を導出し,提案した方法の事後整合性と漸近不確実性を保証した。健康管理ベンチマークデータセットに関する広範なシミュレーションと実験は,提案したアルゴリズムが既存の古典的および最近の変数選択法より優れていることを確認した。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , システム・制御理論一般 , 信頼性

, , , , , ,

前のページに戻る