柔軟なBayes非線形モデル構成【JST・京大機械翻訳】

Hubin Aliaksandr; Storvik Geir; Frommlet Florian

プレプリント

J-GLOBAL ID：202202211478595196 整理番号：21P0026052

柔軟なBayes非線形モデル構成【JST・京大機械翻訳】

Flexible Bayesian Nonlinear Model Configuration

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 (3件)： , ,
資料名：
発行年： 2020年03月05日プレプリントサーバーでの情報更新日： 2021年11月23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)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

回帰モデルは,異なる分野からの研究者のための強力な科学的ツールを提供する広範囲の応用で用いられる。入力変数と応答の間の複雑な関係を記述するのに,線形,あるいは単純なパラメトリックモデルはしばしば十分ではない。このような関係は,ニューラルネットワークのような柔軟なアプローチにより良く記述できるが,これは解釈可能なモデルや潜在的な過剰適合の可能性がある。代わりに,特定のパラメトリック非線形関数が使用できるが,そのような関数の仕様は一般に複雑である。本論文では,高度に柔軟な非線形パラメトリック回帰モデルの構築と選択のための柔軟なアプローチを紹介した。非線形特徴は深層学習と同様に階層的に生成されるが,考えられるタイプの特徴に付加的柔軟性がある。可変選択と組み合わせたこの柔軟性は,重要な特徴の小さいセットと,より解釈可能なモデルを見つけることができる。可能な関数の空間内で,それらの複雑性に基づく関数のための事前情報を導入するBayesアプローチを考察した。遺伝的に修正したモード跳躍Markov連鎖モンテカルロアルゴリズムを採用して,Bayes推論を実行し,モデル平均化のための事後確率を推定した。種々の応用において,著者らのアプローチが意味のある非線形モデルを得るためにどのように使用されるかを例示した。さらに,いくつかの機械学習アルゴリズムと予測性能を比較した。【JST・京大機械翻訳】

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

統計学

前のページに戻る