ترجمه فارسی مقاله اندازه گیری اهمیت متغیر پایدار چند منبع از طریق یادگیری ماشین مخالف

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Multi-source Stable Variable Importance Measure via Adversarial Machine Learning
عنوان مقاله به فارسی اندازه گیری اهمیت متغیر پایدار چند منبع از طریق یادگیری ماشین مخالف
نویسندگان Zitao Wang, Nian Si, Zijian Guo, Molei Liu
فرمت مقاله انگلیسی PDF
تعداد صفحات 27
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Methodology,روش شناسی ,
توضیحات Submitted 11 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 11 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

As part of enhancing the interpretability of machine learning, it is of renewed interest to quantify and infer the predictive importance of certain exposure covariates. Modern scientific studies often collect data from multiple sources with distributional heterogeneity. Thus, measuring and inferring stable associations across multiple environments is crucial in reliable and generalizable decision-making. In this paper, we propose MIMAL, a novel statistical framework for Multi-source stable Importance Measure via Adversarial Learning. MIMAL measures the importance of some exposure variables by maximizing the worst-case predictive reward over the source mixture. Our framework allows various machine learning methods for confounding adjustment and exposure effect characterization. For inferential analysis, the asymptotic normality of our introduced statistic is established under a general machine learning framework that requires no stronger learning accuracy conditions than those for single source variable importance. Numerical studies with various types of data generation setups and machine learning implementation are conducted to justify the finite-sample performance of MIMAL. We also illustrate our method through a real-world study of Beijing air pollution in multiple locations.

چکیده به فارسی (ترجمه ماشینی)

به عنوان بخشی از تقویت تفسیر یادگیری ماشین ، برای تعیین کمیت و استنباط اهمیت پیش بینی کننده برخی از همبستگی های قرار گرفتن در معرض ، علاقه تجدید می شود.مطالعات علمی مدرن غالباً داده ها را از منابع متعدد با ناهمگونی توزیع جمع می کند.بنابراین ، اندازه گیری و استنباط ارتباطات پایدار در محیط های مختلف در تصمیم گیری قابل اعتماد و قابل تعمیم بسیار مهم است.در این مقاله ، ما MIMAL ، یک چارچوب آماری جدید برای اندازه گیری اهمیت پایدار چند منبع از طریق یادگیری متناقض پیشنهاد می کنیم.MIMAL با حداکثر رساندن پاداش پیش بینی بدترین حالت نسبت به مخلوط منبع ، اهمیت برخی از متغیرهای قرار گرفتن در معرض را اندازه گیری می کند.چارچوب ما به روشهای مختلف یادگیری ماشین اجازه می دهد تا تنظیمات تنظیم و تأثیر قرار گرفتن در معرض را مخدوش کند.برای تجزیه و تحلیل استنباطی ، نرمال بودن بدون علامت آماری معرفی شده ما تحت یک چارچوب یادگیری ماشین کلی ایجاد می شود که نیازی به شرایط دقت یادگیری قوی تر از مواردی که برای اهمیت متغیر منبع واحد وجود ندارد ، نیست.مطالعات عددی با انواع مختلفی از تنظیمات تولید داده و اجرای یادگیری ماشین برای توجیه عملکرد نمونه محدود از MIMAL انجام می شود.ما همچنین روش خود را از طریق یک مطالعه در دنیای واقعی از آلودگی هوای پکن در چندین مکان نشان می دهیم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.