論文の概要: Mean shift cluster recognition method implementation in the nested sampling algorithm

• arxiv url: http://arxiv.org/abs/2002.01431v1
• Date: Fri, 31 Jan 2020 15:04:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 06:55:38.795318
• Title: Mean shift cluster recognition method implementation in the nested sampling algorithm
• Title（参考訳）: ネストサンプリングアルゴリズムにおける平均シフトクラスタ認識手法の実装
• Authors: M. Trassinelli (INSP-E10, INSP), Pierre Ciccodicola (INSP-E10, INSP)
• Abstract要約: ネストサンプリングはベイズ証拠と後続パラメータ確率分布の計算に有効なアルゴリズムである。 本稿では,ランダムウォークサーチアルゴリズムに実装された平均シフトクラスタ認識法に基づく新しい解を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nested sampling is an efficient algorithm for the calculation of the Bayesian evidence and posterior parameter probability distributions. It is based on the step-by-step exploration of the parameter space by Monte Carlo sampling with a series of values sets called live points that evolve towards the region of interest, i.e. where the likelihood function is maximal. In presence of several local likelihood maxima, the algorithm converges with difficulty. Some systematic errors can also be introduced by unexplored parameter volume regions. In order to avoid this, different methods are proposed in the literature for an efficient search of new live points, even in presence of local maxima. Here we present a new solution based on the mean shift cluster recognition method implemented in a random walk search algorithm. The clustering recognition is integrated within the Bayesian analysis program NestedFit. It is tested with the analysis of some difficult cases. Compared to the analysis results without cluster recognition, the computation time is considerably reduced. At the same time, the entire parameter space is efficiently explored, which translates into a smaller uncertainty of the extracted value of the Bayesian evidence.
• Abstract（参考訳）: ネストサンプリングはベイズ証拠と後方パラメータ確率分布の計算のための効率的なアルゴリズムである。 これはモンテカルロによるパラメータ空間のステップバイステップの探索に基づいており、興味のある領域へ進化する生きた点と呼ばれる一連の値集合、すなわち、可能性関数が極大であるところをサンプリングする。 局所的な最大値が存在する場合、アルゴリズムは困難に収束する。 いくつかの系統的エラーは、未探索のパラメータボリューム領域によっても導入できる。 これを避けるために,局所極大の存在下でも,新しいライブポイントを効率的に探索するための異なる手法が文献に提案されている。 本稿では,ランダムウォーク探索アルゴリズムに実装された平均シフトクラスタ認識法に基づく新しい解を提案する。 クラスタリング認識はベイズ解析プログラムNestedFitに統合されている。 いくつかの難しいケースを分析してテストする。 クラスタ認識のない解析結果と比較すると,計算時間が大幅に短縮される。 同時に、パラメータ空間全体が効率的に探索され、ベイズ証拠の抽出された値のより小さな不確かさへと変換される。

関連論文リスト

• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• Lattice-Based Methods Surpass Sum-of-Squares in Clustering [98.46302040220395]
  クラスタリングは教師なし学習における基本的なプリミティブである。 最近の研究は、低次手法のクラスに対する低い境界を確立している。 意外なことに、この特定のクラスタリングモデルのtextitdoesは、統計的-計算的ギャップを示さない。
  論文  参考訳（メタデータ） (2021-12-07T18:50:17Z)
• Population based change-point detection for the identification of homozygosity islands [0.0]
  本稿では,動的プログラミングアルゴリズムで効率的に計算したり,高速なグリーディ二分法アルゴリズムで近似できるペナル化最大可能性法を提案する。 両アルゴリズムは、確率ベクトルの分布と独立サンプリングに関する非常に一般的な仮定の下で、ほぼ確実に変化点の集合に収束することを示す。 この新しいアプローチは、集団内の個人のゲノム上のホモ接合性島を同定する問題によって動機付けられている。
  論文  参考訳（メタデータ） (2021-11-19T12:53:41Z)
• Distributed stochastic proximal algorithm with random reshuffling for non-smooth finite-sum optimization [28.862321453597918]
  非滑らかな有限サム最小化は機械学習の基本的な問題である。 本稿では,確率的リシャフリングを用いた分散近位勾配アルゴリズムを開発し,その問題の解法を提案する。
  論文  参考訳（メタデータ） (2021-11-06T07:29:55Z)
• Local policy search with Bayesian optimization [73.0364959221845]
  強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。 局所探索のための政策勾配は、しばしばランダムな摂動から得られる。 目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-06-22T16:07:02Z)
• Improved Algorithms for Agnostic Pool-based Active Classification [20.12178157010804]
  プールに依存しない環境でのバイナリ分類のためのアクティブラーニングを検討する。 我々のアルゴリズムは、画像分類データセットにおけるアートアクティブな学習アルゴリズムの状況よりも優れている。
  論文  参考訳（メタデータ） (2021-05-13T18:24:30Z)
• Approximate Bayesian Computation of B\'ezier Simplices [13.105764669733093]
  我々はB'ezier Simplexモデルを確率的モデルに拡張し、その新しい学習アルゴリズムを提案する。 公開可能な問題インスタンスに関する実験的評価は、新しいアルゴリズムが有限サンプルに収束することを示している。
  論文  参考訳（メタデータ） (2021-04-10T04:20:19Z)
• Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
  本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。 最先端アルゴリズムの利点を論じ、解説する。
  論文  参考訳（メタデータ） (2020-09-28T15:22:24Z)
• Spectral Clustering using Eigenspectrum Shape Based Nystrom Sampling [19.675277307158435]
  本稿では,新しいサンプリング手法であるCentroid Minimum Sum of Squared similarities (CMS3)と,それをいつ使用するかを示す,スケーラブルなNystromベースのクラスタリングアルゴリズムを提案する。 我々のデータセットはデータセットの固有スペクトル形状に依存しており、他の最先端手法と比較して、テストにおいて競合する低ランク近似が得られる。
  論文  参考訳（メタデータ） (2020-07-21T17:49:03Z)
• Stochastic Saddle-Point Optimization for Wasserstein Barycenters [69.68068088508505]
  オンラインデータストリームによって生成される有限個の点からなるランダムな確率測度に対する人口推定バリセンタ問題を考察する。 本稿では,この問題の構造を用いて,凸凹型サドル点再構成を行う。 ランダム確率測度の分布が離散的な場合、最適化アルゴリズムを提案し、その複雑性を推定する。
  論文  参考訳（メタデータ） (2020-06-11T19:40:38Z)
• Spatially Adaptive Inference with Stochastic Feature Sampling and Interpolation [72.40827239394565]
  スパースサンプリングされた場所のみの機能を計算することを提案する。 次に、効率的な手順で特徴写像を密に再構築する。 提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
  論文  参考訳（メタデータ） (2020-03-19T15:36:31Z)

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。