데이터 분석 및 모델링

insight - 데이터 분석 및 모델링

과적합 다중 선형 회귀 모델은 단일 스칼라 매개변수로 매개변수화된 초고차원 곡선 맞춤과 동등하다. 이를 통해 각 예측변수를 종속변수의 함수로 설명할 수 있으며, 선형 모델이 비선형 종속성을 정확하게 예측할 수 있음을 보여준다.

데이터에서 수학 공식을 효율적으로 발견하기 위해 강화 학습 기반 수식 회귀 알고리즘의 학습 이력을 활용하여 변환기 모델을 사전 학습하는 방법을 제안한다.

데이터 분포에 기반하여 변수 중요도를 안정적이고 포괄적으로 분석하는 새로운 프레임워크를 제안한다.

데이터에서 강제 시스템의 축소 모델을 식별하기 위해 불변 엽층을 활용한다.

데이터에서 강제 시스템의 축소 모델을 식별하기 위해 불변 엽층을 활용한다.

연속 인덱스 텐서 데이터를 위해 Tucker 분해를 일반화하는 기능적 베이지안 모델을 제안한다. 가우시안 프로세스를 사용하여 잠재 함수를 모델링하고, 효율적인 추론 알고리즘을 개발하여 대규모 데이터에 적용할 수 있다.

생성 모델의 성능을 평가하기 위해 다양한 통계적 거리 측정 방법을 소개하고 각 방법의 장단점을 설명한다.

약한 결합 회귀 기법을 활용하여 레비 잡음과 가우시안 잡음이 혼재된 확률적 동역학 시스템의 미지 매개변수를 효율적으로 추정할 수 있다.

본 연구는 레비 잡음과 가우시안 잡음이 혼재된 확률적 동역학 시스템을 데이터로부터 효율적으로 추론하는 약한 결합 회귀 방법을 제안한다.

약한 결합 회귀 방법을 사용하여 레비 잡음이 포함된 확률적 동역학 시스템의 미지의 매개변수를 효율적으로 추정할 수 있다.