論文の概要: Nonparametric Deconvolution Models

• arxiv url: http://arxiv.org/abs/2003.07718v1
• Date: Tue, 17 Mar 2020 13:38:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 20:36:26.558611
• Title: Nonparametric Deconvolution Models
• Title（参考訳）: 非パラメトリックデコンボリューションモデル
• Authors: Allison J.B. Chaney, Archit Verma, Young-suk Lee, Barbara E. Engelhardt
• Abstract要約: 非パラメトリックデコンボリューションモデル(NDM)について述べる。 既存のモデルとは異なり、NDMは各観測においてどのように要因分布が局所的に変化するかを復元する。 本稿では,このモデル群に対する変分推論手法を提案し,その性能をシミュレーションデータとカリフォルニア州の投票データを用いて検討する。
• 参考スコア（独自算出の注目度）: 4.525827260019346
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We describe nonparametric deconvolution models (NDMs), a family of Bayesian nonparametric models for collections of data in which each observation is the average over the features from heterogeneous particles. For example, these types of data are found in elections, where we observe precinct-level vote tallies (observations) of individual citizens' votes (particles) across each of the candidates or ballot measures (features), where each voter is part of a specific voter cohort or demographic (factor). Like the hierarchical Dirichlet process, NDMs rely on two tiers of Dirichlet processes to explain the data with an unknown number of latent factors; each observation is modeled as a weighted average of these latent factors. Unlike existing models, NDMs recover how factor distributions vary locally for each observation. This uniquely allows NDMs both to deconvolve each observation into its constituent factors, and also to describe how the factor distributions specific to each observation vary across observations and deviate from the corresponding global factors. We present variational inference techniques for this family of models and study its performance on simulated data and voting data from California. We show that including local factors improves estimates of global factors and provides a novel scaffold for exploring data.
• Abstract（参考訳）: 非パラメトリックデコンボリューションモデル (nonparametric deconvolution model, ndms) とは、不均一粒子の特徴よりも各観測値が平均となるデータの集合に対するベイズ型非パラメトリックモデルである。 例えば、これらの種類のデータは、選挙中に見出され、各投票者が特定の投票者コホートまたは人口統計(要素)の一部である各候補者または投票手段(特徴)にまたがって、個々の市民の投票の地区レベルの投票集計(観察)を観察する。 階層的ディリクレ法と同様に、NDMは2段階のディリクレ法を用いて、データを未知の潜在因子で説明し、各観測はこれらの潜伏因子の重み付け平均としてモデル化される。 既存のモデルとは異なり、ndmは観測ごとに因子分布が局所的にどのように変化するかを回復する。 これにより、NDMはそれぞれの観測をその構成因子に分解し、それぞれの観測に特有の因子分布がどのように異なるかを説明し、対応する大域的要因から逸脱する。 本稿では,このモデル群に対する変分推論手法を提案し,その性能をシミュレーションデータとカリフォルニア州の投票データを用いて検討する。 ローカルな要因を含むことで,グローバルな要因の推定が向上し,データ探索のための新たな足場が提供される。

関連論文リスト

• Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning [112.69497636932955]
  フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。 本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。 フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
  論文  参考訳（メタデータ） (2022-10-01T09:04:17Z)
• On the Strong Correlation Between Model Invariance and Generalization [54.812786542023325]
  一般化は、見えないデータを分類するモデルの能力をキャプチャする。 不変性はデータの変換におけるモデル予測の一貫性を測定する。 データセット中心の視点から、あるモデルの精度と不変性は異なるテストセット上で線形に相関している。
  論文  参考訳（メタデータ） (2022-07-14T17:08:25Z)
• Studying Generalization Through Data Averaging [0.0]
  本研究では,異なるデータセットのサンプルに対する差の平均から得られる一般化ギャップと,列車および試験性能について検討する。 我々はSGDノイズの関数として一般化ギャップとモデルトレインとテスト性能の相違についていくつかの側面を予測した。
  論文  参考訳（メタデータ） (2022-06-28T00:03:40Z)
• Aggregated Multi-output Gaussian Processes with Knowledge Transfer Across Domains [39.25639417233822]
  本稿では,各粒度の集合データセットを用いて属性の関数を推論する多出力ガウス過程(MoGP)モデルを提案する。 実験により,提案手法は実世界のデータセットの粗粒度データを精錬する作業において優れていた。
  論文  参考訳（メタデータ） (2022-06-24T08:07:20Z)
• Selecting the suitable resampling strategy for imbalanced data classification regarding dataset properties [62.997667081978825]
  医学、情報検索、サイバーセキュリティ、ソーシャルメディアなどの多くのアプリケーションドメインでは、分類モデルの導入に使用されるデータセットは、各クラスのインスタンスの不平等な分布を持つことが多い。 この状況は不均衡データ分類と呼ばれ、少数民族の例では予測性能が低い。 オーバーサンプリングとアンダーサンプリングの技術は、各クラスの例の数とバランスをとることでこの問題に対処する、よく知られた戦略である。
  論文  参考訳（メタデータ） (2021-12-15T18:56:39Z)
• Harmonization with Flow-based Causal Inference [12.739380441313022]
  本稿では, 医療データを調和させる構造因果モデル (SCM) に対して, 反実的推論を行う正規化フローに基づく手法を提案する。 我々は,この手法が最先端のアルゴリズムよりもドメイン間一般化に寄与することを示すために,複数の,大規模な実世界の医療データセットを評価した。
  論文  参考訳（メタデータ） (2021-06-12T19:57:35Z)
• OR-Net: Pointwise Relational Inference for Data Completion under Partial Observation [51.083573770706636]
  この作業はリレーショナル推論を使って不完全なデータを埋めます。 本稿では,2つの点での相対性理論をモデル化するために,全関係ネットワーク (or-net) を提案する。
  論文  参考訳（メタデータ） (2021-05-02T06:05:54Z)
• Variational Selective Autoencoder: Learning from Partially-Observed Heterogeneous Data [45.23338389559936]
  本研究では,部分観測された異種データから表現を学習するための変分選択型オートエンコーダ(VSAE)を提案する。 vsaeは、観測データ、観測されていないデータ、およびインプテーションマスクの合同分布をモデル化することで、異種データの潜在依存関係を学習する。 その結果、データ生成や計算を含むさまざまな下流タスクの統一モデルが実現される。
  論文  参考訳（メタデータ） (2021-02-25T04:39:13Z)
• How Faithful is your Synthetic Data? Sample-level Metrics for Evaluating and Auditing Generative Models [95.8037674226622]
  ドメインに依存しない方法で生成モデルの忠実度,多様性,一般化性能を特徴付ける3次元評価指標を提案する。 当社のメトリクスは、精度リコール分析により統計的発散測定を統合し、モデル忠実度と多様性のサンプルおよび分布レベルの診断を可能にします。
  論文  参考訳（メタデータ） (2021-02-17T18:25:30Z)
• Unsupervised Learning of Global Factors in Deep Generative Models [6.362733059568703]
  非i.i.dに基づく新しい深層生成モデルを提案する。 変分オートエンコーダ。 モデルがドメインアライメントを行い、相関関係を見つけ、異なるデータベース間で補間することを示す。 また、非自明な基礎構造を持つ観測群を区別するグローバル空間の能力についても研究する。
  論文  参考訳（メタデータ） (2020-12-15T11:55:31Z)
• CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
  変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。 本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。 その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
  論文  参考訳（メタデータ） (2020-04-18T20:09:34Z)

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。