抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
無限次元U統計(IOUS)は,その不確実性を定量化するためにランダムフォレストのようなサブバッグアンサンブル学習アルゴリズムに広く使用されている。IOUSの正規性の結果は広く研究されているが,その分散推定アプローチと理論特性はほとんど未調査のままである。既存の手法は,主にHoeffding分解における主要な用語優位特性を利用する。しかしながら,そのような見解は,カーネルサイズが大か,あるいはサンプルサイズが小さいとき,通常,偏った推定につながる。一方,いくつかの不偏推定量が文献に存在する一方で,それらの関係と理論特性,特に比一貫性は,研究されていない。これらの限界は,構築した信頼区間の未保証性能につながる。文献のこれらのギャップを埋めるために,不偏推定量を導く分散推定のためのHoeffding分解の新しい見解を提案した。支配的な用語の優位性の代わりに,著者らの見解は,ピーク領域の優位を利用する。さらに,いくつかの既存の不偏分散推定器と推定子の接続と等価性を確立した。理論的には,ランダムフォレストから構築された信頼区間のカバレッジ率を正当化する,そのような分散推定子の比率一貫性を確立した。数値的に,著者らは,さらに,推定器の有限サンプル性能を改良するために,局所平滑化手順を提案した。大規模なシミュレーション研究は,著者らの推定器がより低いバイアスとアーカイブ目標範囲比率を楽しむことを示した。【JST・京大機械翻訳】