用于零膨胀多目标回归的深度阈值网络：在多物种丰度估计中的应用
机器学习
2020-11-02 v1 人工智能
机器学习
摘要
计算可持续性中的一个关键问题是理解物种随景观和时间分布的规律。该问题引发极具挑战的大规模预测问题，因为（i）需同时建模数百个物种，且（ii）由于大量站点无物种出现，调查数据通常零值膨胀。同时应对这两类问题的零膨胀多目标回归问题，此前统计与机器学习方法均未解决。本文针对零膨胀多目标回归问题提出一种新型深度模型。为此，我们首先将多响应变量的联合分布建模为多元probit模型，再将正结果耦合于多元对数正态分布。通过惩罚两分布协方差矩阵之差，建立两分布间联系。整体模型被构建为端到端学习框架，并给出可完全在GPU上实现的高效学习算法。我们在关于鸟类和鱼类种群的两个具挑战性真实物种分布数据集上显示，本模型优于现有最先进基线。
引用
@article{arxiv.2010.16040,
title = {Deep Hurdle Networks for Zero-Inflated Multi-Target Regression: Application to Multiple Species Abundance Estimation},
author = {Shufeng Kong and Junwen Bai and Jae Hee Lee and Di Chen and Andrew Allyn and Michelle Stuart and Malin Pinsky and Katherine Mills and Carla P. Gomes},
journal= {arXiv preprint arXiv:2010.16040},
year = {2020}
}
备注
Accepted by IJCAI 2020