ترجمه فارسی مقاله پیش بینی بدون مدل محدود در رگرسیون

چکیده

In this paper, we provide a novel Model-free approach based on Deep Neural Network (DNN) to accomplish point prediction and prediction interval under a general regression setting. Usually, people rely on parametric or non-parametric models to bridge dependent and independent variables (Y and X). However, this classical method relies heavily on the correct model specification. Even for the non-parametric approach, some additive form is often assumed. A newly proposed Model-free prediction principle sheds light on a prediction procedure without any model assumption. Previous work regarding this principle has shown better performance than other standard alternatives. Recently, DNN, one of the machine learning methods, has received increasing attention due to its great performance in practice. Guided by the Model-free prediction idea, we attempt to apply a fully connected forward DNN to map X and some appropriate reference random variable Z to Y. The targeted DNN is trained by minimizing a specially designed loss function so that the randomness of Y conditional on X is outsourced to Z through the trained DNN. Our method is more stable and accurate compared to other DNN-based counterparts, especially for optimal point predictions. With a specific prediction procedure, our prediction interval can capture the estimation variability so that it can render a better coverage rate for finite sample cases. The superior performance of our method is verified by simulation and empirical studies.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ، ما یک رویکرد عاری از مدل جدید مبتنی بر شبکه عصبی عمیق (DNN) برای دستیابی به پیش بینی نقطه و فاصله پیش بینی تحت یک تنظیم رگرسیون عمومی ارائه می دهیم.معمولاً افراد به مدلهای پارامتری یا غیر پارامتری متکی هستند تا متغیرهای وابسته و مستقل (Y و X) را به پل بپردازند.با این حال ، این روش کلاسیک به شدت به مشخصات مدل صحیح متکی است.حتی برای رویکرد غیر پارامتری ، برخی از فرم های افزودنی اغلب فرض می شود.یک اصل پیش بینی بدون مدل که به تازگی ارائه شده است ، یک روش پیش بینی را بدون هیچ فرض مدل روشن می کند.کار قبلی در مورد این اصل عملکرد بهتری نسبت به سایر گزینه های استاندارد نشان داده است.اخیراً ، DNN ، یکی از روشهای یادگیری ماشین ، به دلیل عملکرد عالی در عمل ، توجه بیشتری را به خود جلب کرده است.با هدایت ایده پیش بینی بدون مدل ، ما سعی می کنیم یک DNN کاملاً متصل به جلو را برای نقشه برداری X و برخی از متغیرهای تصادفی مرجع مناسب Z به Y اعمال کنیم. DNN هدفمند با به حداقل رساندن یک عملکرد ضرر ویژه طراحی شده آموزش داده می شود تا تصادفی y مشروط باشددر X از طریق DNN آموزش دیده به Z خارج می شود.روش ما در مقایسه با سایر همتایان مبتنی بر DNN ، به ویژه برای پیش بینی های بهینه نقطه ، پایدارتر و دقیق تر است.با یک روش پیش بینی خاص ، فاصله پیش بینی ما می تواند تنوع تخمین را ضبط کند تا بتواند میزان پوشش بهتری را برای موارد نمونه محدود ایجاد کند.عملکرد برتر روش ما با شبیه سازی و مطالعات تجربی تأیید می شود.