論文の概要: A Kernel Stein Test for Comparing Latent Variable Models

• arxiv url: http://arxiv.org/abs/1907.00586v5
• Date: Tue, 9 May 2023 11:44:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-10 17:22:26.159909
• Title: A Kernel Stein Test for Comparing Latent Variable Models
• Title（参考訳）: 潜在変数モデルの比較のためのkernel stein test
• Authors: Heishiro Kanagawa and Wittawat Jitkrittum and Lester Mackey and Kenji Fukumizu and Arthur Gretton
• Abstract要約: 本稿では、相対的適合性を示すカーネルベースの非パラメトリックテストを提案する。このテストの目的は、2つのモデルを比較することである。 本試験は, モデルから得られたサンプルに基づいて, 潜伏構造を利用せず, 相対的な最大平均離散性試験よりも有意に優れていることを示す。
• 参考スコア（独自算出の注目度）: 48.32146056855925
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a kernel-based nonparametric test of relative goodness of fit, where the goal is to compare two models, both of which may have unobserved latent variables, such that the marginal distribution of the observed variables is intractable. The proposed test generalizes the recently proposed kernel Stein discrepancy (KSD) tests (Liu et al., 2016, Chwialkowski et al., 2016, Yang et al., 2018) to the case of latent variable models, a much more general class than the fully observed models treated previously. The new test, with a properly calibrated threshold, has a well-controlled type-I error. In the case of certain models with low-dimensional latent structure and high-dimensional observations, our test significantly outperforms the relative Maximum Mean Discrepancy test, which is based on samples from the models and does not exploit the latent structure.
• Abstract（参考訳）: そこで本研究では,2つのモデルを比較することを目的として,観測変数の周縁分布が難解であるような,観測されていない潜在変数を持つ2つのモデルを比較することを目的とした,相対的適合性に関するカーネルベース非パラメトリックテストを提案する。 提案されたテストは、最近提案されたカーネルSteindisrepancy (KSD) テスト (Liu et al., 2016 Chwialkowski et al., 2016 Yang et al., 2018) を潜在変数モデルの場合に対して一般化する。 新しいテストは、適切に調整されたしきい値を持ち、よく制御されたタイプIエラーを持つ。 低次元の潜伏構造と高次元の観測を持つ特定のモデルの場合、本試験はモデルからのサンプルに基づいて、潜伏構造を利用せず、相対的な最大平均離散性試験を著しく上回っている。

関連論文リスト

• On the Robustness of Kernel Goodness-of-Fit Tests [5.959410850280868]
  既存のカーネル良性テストは、ロバスト性という一般的な概念により堅牢ではないことを示す。 本稿では,このオープンな問題をカーネルStein離散性球を用いて解決する,最初の堅牢なカーネル善良性テストを提案する。
  論文  参考訳（メタデータ） (2024-08-11T19:54:50Z)
• A kernel Stein test of goodness of fit for sequential models [19.8408003104988]
  提案手法は、非正規化密度の良性テストを構築するために用いられてきたカーネルSteindisrepancy(KSD)の例である。 我々は、適切なスタイン演算子を同定することで、KSDを可変次元設定に拡張し、新しいKSD適合性テストを提案する。 我々のテストは、離散的なシーケンシャルなデータベンチマークで実際によく機能することが示されている。
  論文  参考訳（メタデータ） (2022-10-19T17:30:15Z)
• A Simple Unified Approach to Testing High-Dimensional Conditional Independences for Categorical and Ordinal Data [0.26651200086513094]
  条件独立テスト(CI)は、因果推論におけるモデルテストと構造学習に多くのアプローチをとる。 分類データと順序データのための既存のCIテストは、条件変数によってサンプルを階層化し、各層で単純な独立テストを実行し、結果を組み合わせる。 本稿では,高次元における適切なキャリブレーションとパワーを維持するための,順序データと分類データに対する簡易な統合CIテストを提案する。
  論文  参考訳（メタデータ） (2022-06-09T08:56:12Z)
• Benign-Overfitting in Conditional Average Treatment Effect Prediction with Linear Regression [14.493176427999028]
  線形回帰モデルを用いて条件平均処理効果(CATE)の予測における良性過剰適合理論について検討した。 一方,IPW-learnerは確率スコアが分かっていればリスクをゼロに収束させるが,T-learnerはランダムな割り当て以外の一貫性を達成できないことを示す。
  論文  参考訳（メタデータ） (2022-02-10T18:51:52Z)
• Composite Goodness-of-fit Tests with Kernels [19.744607024807188]
  本稿では,難解な複合テスト問題に対するカーネルベースの仮説テストを提案する。 実験では,最小距離推定器を用いて,最大平均誤差とカーネルのStein誤差を推定した。 主な結果として、パラメータを推定し、正しいテストレベルを維持しながら、同じデータ上でテストを実行することができることを示す。
  論文  参考訳（メタデータ） (2021-11-19T15:25:06Z)
• Optimization Variance: Exploring Generalization Properties of DNNs [83.78477167211315]
  ディープニューラルネットワーク(DNN)のテストエラーは、しばしば二重降下を示す。 そこで本研究では,モデル更新の多様性を測定するために,新しい測度である最適化分散(OV)を提案する。
  論文  参考訳（メタデータ） (2021-06-03T09:34:17Z)
• Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
  補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。 テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。 以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-22T21:12:31Z)
• An Investigation of Why Overparameterization Exacerbates Spurious Correlations [98.3066727301239]
  この動作を駆動するトレーニングデータの2つの重要な特性を特定します。 モデルの"記憶"に対する帰納的バイアスが,パラメータ化の超過を損なう可能性を示す。
  論文  参考訳（メタデータ） (2020-05-09T01:59:13Z)
• On the Discrepancy between Density Estimation and Sequence Generation [92.70116082182076]
  log-likelihoodは、同じファミリー内のモデルを考えるとき、BLEUと非常に相関している。 異なる家族間でのモデルランキングの相関はみられない。
  論文  参考訳（メタデータ） (2020-02-17T20:13:35Z)
• Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
  変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。 これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。 おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
  論文  参考訳（メタデータ） (2020-02-17T19:23:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。