論文の概要: Deep Gaussian Markov Random Fields
- arxiv url: http://arxiv.org/abs/2002.07467v2
- Date: Mon, 10 Aug 2020 15:19:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 19:41:29.981806
- Title: Deep Gaussian Markov Random Fields
- Title（参考訳）: ディープ・ガウス・マルコフ確率場
- Authors: Per Sid\'en and Fredrik Lindsten
- Abstract要約: GMRFと畳み込みニューラルネットワーク(CNN)の正式な接続を確立する。
共通GMRFは、データから潜伏変数への逆写像が1層線形CNNによって与えられる生成モデルの特別な場合である。
本稿では,オートディフや変分推論などの確立したツールが,深部GMRFの簡易かつ効率的な推論と学習にどのように利用できるかを述べる。
- 参考スコア（独自算出の注目度）: 17.31058900857327
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gaussian Markov random fields (GMRFs) are probabilistic graphical models
widely used in spatial statistics and related fields to model dependencies over
spatial structures. We establish a formal connection between GMRFs and
convolutional neural networks (CNNs). Common GMRFs are special cases of a
generative model where the inverse mapping from data to latent variables is
given by a 1-layer linear CNN. This connection allows us to generalize GMRFs to
multi-layer CNN architectures, effectively increasing the order of the
corresponding GMRF in a way which has favorable computational scaling. We
describe how well-established tools, such as autodiff and variational
inference, can be used for simple and efficient inference and learning of the
deep GMRF. We demonstrate the flexibility of the proposed model and show that
it outperforms the state-of-the-art on a dataset of satellite temperatures, in
terms of prediction and predictive uncertainty.
- Abstract（参考訳）: ガウス・マルコフ確率場(gaussian markov random fields、gmrfs)は、空間統計学や関連する分野において広く用いられている確率的グラフィカルモデルである。
GMRFと畳み込みニューラルネットワーク(CNN)の正式な接続を確立する。
共通GMRFは、データから潜伏変数への逆写像が1層線形CNNによって与えられる生成モデルの特別な場合である。
この接続により、GMRFを多層CNNアーキテクチャに一般化し、計算スケーリングに適した方法で対応するGMRFの順序を効果的に増大させることができる。
本稿では,gmrfの簡易かつ効率的な推論と学習のために,autodiff や variational inference などの確立されたツールがいかに有用かを説明する。
本稿では,提案モデルの柔軟性を実証し,予測と予測の不確実性の観点から,衛星温度のデータセット上での最先端性を示す。
関連論文リスト
- Streaming Gaussian Dirichlet Random Fields for Spatial Predictions of
High Dimensional Categorical Observations [0.0]
本稿では,時間分布,疎度,高次元の分類学的観察の流れに対する新しいアプローチを提案する。
提案手法は,ストリーミングデータのグローバルな局所パターンを効率的に学習する。
より正確な予測を行うネットワークアプローチの能力を実証する。
論文 参考訳（メタデータ） (2024-02-23T14:52:05Z) - Random forests for binary geospatial data [0.0]
本研究では、非線形共変量効果を推定するためにランダムフォレストを用いたRF-GPと、空間ランダム効果をモデル化するためのガウス過程を提案する。
RF-GPは、シミュレーションデータと実世界のデータの両方において、推定と予測のための既存のRF法より優れている。
空間的Mat'ern GPや自己回帰過程のような一般的な選択を含む、$beta$-mixing二元過程の一般クラスに対するRF-GPの整合性を確立する。
論文 参考訳（メタデータ） (2023-02-27T14:34:33Z) - Functional Neural Networks: Shift invariant models for functional data
with applications to EEG classification [0.0]
我々は、データのスムーズさを保ちながら不変な新しいタイプのニューラルネットワークを導入する:関数型ニューラルネットワーク(FNN)
そこで我々は,多層パーセプトロンと畳み込みニューラルネットワークを機能データに拡張するために,機能データ分析(FDA)の手法を用いる。
脳波(EEG)データの分類にFNNをうまく利用し,FDAのベンチマークモデルより優れていることを示す。
論文 参考訳（メタデータ） (2023-01-14T09:41:21Z) - Learning from aggregated data with a maximum entropy model [73.63512438583375]
我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。
我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
論文 参考訳（メタデータ） (2022-10-05T09:17:27Z) - Learnable Filters for Geometric Scattering Modules [64.03877398967282]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳（メタデータ） (2022-08-15T22:30:07Z) - Scalable Deep Gaussian Markov Random Fields for General Graphs [14.653008985229615]
本稿では,Deep GMRFの多層構造上に構築された一般グラフに対する柔軟なGMRFモデルを提案する。
ガウス的可能性について、ベイズ予想に近く、潜在体に対しては可算である。
提案モデルの有用性は,多数の合成および実世界のデータセットの実験によって検証される。
論文 参考訳（メタデータ） (2022-06-10T12:12:41Z) - Crime Prediction with Graph Neural Networks and Multivariate Normal
Distributions [18.640610803366876]
グラフ畳み込みネットワーク(GCN)のフレキシブルな構造を利用して,高分解能領域における疎結合問題に取り組む。
グラフ畳み込みGated Recurrent Units (Graph-ConvGRU) を用いてモデルを構築し,空間的・時間的・カテゴリー的関係を学習する。
モデルが生成性だけでなく,正確性も示しています。
論文 参考訳（メタデータ） (2021-11-29T17:37:01Z) - Rank-R FNN: A Tensor-Based Learning Model for High-Order Data
Classification [69.26747803963907]
Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。
まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。
Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
論文 参考訳（メタデータ） (2021-04-11T16:37:32Z) - GANs with Conditional Independence Graphs: On Subadditivity of
Probability Divergences [70.30467057209405]
GAN(Generative Adversarial Networks)は、データセットの基盤となる分布を学習するための現代的な手法である。
GANは、基礎となるディストリビューションに関する追加情報がないモデルフリーで設計されている。
本稿では,ベイズネット/MRFの近傍に単純な識別器群を用いたモデルベースGANの設計を提案する。
論文 参考訳（メタデータ） (2020-03-02T04:31:22Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z) - Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。
これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文 参考訳（メタデータ） (2019-10-12T22:07:15Z)
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。