关键词distribution regression
搜索结果 - 8
- 神经网络分布回归学习理论
通过全连接神经网络 (FNN) 建立分布回归的逼近理论和学习理论,针对概率测度作为输入变量的分布回归问题,建立了一种创新的神经网络框架,实现了定义在 Borel 概率测度空间上的泛函逼近理论,并通过两阶段误差分解技术推导了几乎最优的学习速率 - 遥感应用中的非线性分布回归
该论文介绍了一种解决分布回归问题的非线性方法,它考虑了再生核希尔伯特空间中的分布嵌入,并在其中执行标准的最小二乘回归。 该方法可用于不同维数和样本大小的多源数据,并通过随机傅里叶特征介绍了高效版本来处理数百万个数据点和组。
- 分布式适应性预测
本研究提出了一种基于条件分布模型(如分位数和分布回归)构建有条件有效的预测区间的健壮方法,可以应用于横截面预测、k 步预测、合成控制和反事实预测、个体治疗效果预测等重要预测问题。
- KDD多实例回归中基于核均值嵌入的逐实例预测
本文提出了一种扩展的多实例回归算法 (instance-kme-MIR),通过计算预测标签的分布的核平均嵌入,并从这些嵌入中学习回归器到包标签上,从而解决了先前算法单个统计量的限制问题,并在五个现实世界数据集上测试,结果比基线算法 (ins - 分布回归的贝叶斯方法
本研究提出了一种基于贝叶斯分布回归模型的神经网络方法,旨在解决现有监督学习方法中对于群体标签的估计存在不确定性的问题,实现了群体大小变化时模型的可靠性和性能的提高,并在玩具数据集和图像预测年龄的挑战性问题上进行验证。
- 分布回归学习理论
本文研究了分布回归问题,提出了一种基于再生核希尔伯特空间的简单分析计算的岭回归方法,证明了该方法在两阶段抽样设置下是一致的,并且该估算器能够达到一阶段最小化最优速率。
- 分布的两阶段样本学习理论
该研究提出了一种简单有效的方法,将概率分布嵌入再应用岭回归 算法来解决分布回归问题,同时证明该方法的稳定性和收敛速度,回答了 15 年来未解决的开放性问题,并涵盖了一系列相关的概率分布问题。
- 无分布自由分布回归
本文介绍了分布式回归,在不假设误差项和协变量的分布的情况下,证明了当有效维度足够小时(由加倍维度测量),过度的预测风险会以多项式的方式收敛于零。