Vine Copulas for Imputation of Monotone Non‐response
PulseAugur coverage of Vine Copulas for Imputation of Monotone Non‐response — every cluster mentioning Vine Copulas for Imputation of Monotone Non‐response across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究解决机器学习中的Shapley值估计挑战 · 2篇论文
arXiv上发表的两篇新研究论文提出了一种估计Shapley值的新方法。Shapley值是机器学习中用于特征归因的关键技术。第一篇论文介绍了FUSHAP，该方法旨在通过利用辅助站点来减少方差而不进行插补，以处理具有缺失数据的多站点研究。第二篇论文提出了一种条件Shapley值的半参数推断方法，提供了不确定性量化并解决了特征依赖性问题。与现有方法相比，这两种方法在合成和真实世界数据集中的准确性和偏差减少方面都得到了证明。
-
新的可微分D-vine联结框架增强了异常检测能力
研究人员开发了一种使用可微分D-vine联结进行局部异常检测的新框架。该方法通过采用束搜索策略探索更广泛的联结配置，而不是依赖于顺序贪婪决策，从而改进了现有方法。该框架提供了全局异常分数和边缘级别解释，并通过Mondrian一致性预测提供统计保证。在基准数据集和真实世界数据集上的评估表明，它在可解释异常检测和不确定性量化方面非常有效。
-
新的贝叶斯框架简化了复杂的统计模型选择
研究人员开发了一个新的贝叶斯藤蔓联结模型选择框架，解决了限制当前方法仅限于低维问题的计算挑战。这种新颖的方法将基于损失的模型先验与散弹随机搜索策略相结合，以促进稀疏性和实现高效的结构选择。该框架同时识别藤蔓结构、选择合适的联结族并估计模型参数，通过模拟和在EFT投资组合资产回报上的应用证明了其有效性。
-
新方法使用噪声对比估计校准藤蔓联结模型
研究人员开发了一种使用噪声对比估计（NCE）方法校准简化藤蔓联结模型的新方法。该方法将密度估计重新构建为二元分类任务，允许进行特定于观测值的校正因子。NCE方法提供校正后的对数似然估计，这些估计会调整简化藤蔓模型，使其更好地反映底层数据生成依赖结构。模拟研究和实际应用表明，当简化假设被违反时，这种校准可以提高模型准确性，而在假设成立时则保持中性。