Fugu-MT 論文翻訳(概要): Redistribution Systems and PRAM

論文の概要: Redistribution Systems and PRAM

arxiv url: http://arxiv.org/abs/2003.08783v2
Date: Fri, 20 Mar 2020 01:32:37 GMT
ステータス: 処理完了
システム内更新日: 2022-12-22 13:18:10.279588
Title: Redistribution Systems and PRAM
Title（参考訳）: 再配布システムとPRAM
Authors: Paul Cohen and Tomasz Loboda
Abstract要約: PRAMは再配布システムを構築するためのフレームワークである。 pram/は確率的リレーショナルモデルのテーマを拡張し、動的モデルとシミュレーションを組み込むために推論を解除する。
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: Redistribution systems iteratively redistribute mass between groups under the control of rules. PRAM is a framework for building redistribution systems. We discuss the relationships between redistribution systems, agent-based systems, compartmental models and Bayesian models. PRAM puts agent-based models on a sound probabilistic footing by reformulating them as redistribution systems. This provides a basis for integrating agent-based and probabilistic models. \pram/ extends the themes of probabilistic relational models and lifted inference to incorporate dynamical models and simulation. We illustrate PRAM with an epidemiological example.
Abstract（参考訳）: 再分配システムは、規則の制御の下で、グループ間で反復的に質量を再分配する。 PRAMは再配布システムを構築するためのフレームワークである。本稿では,再分配システム,エージェントベースシステム,構成モデル,ベイズモデルとの関係について論じる。 PRAMは、エージェントベースのモデルを再配布システムとして再構成することで、音の確率的な足場に配置する。これはエージェントベースと確率モデルの統合の基礎を提供する。 \pram/ は確率的関係モデルのテーマを拡張し、推論を解いて動的モデルとシミュレーションを組み込む。疫学的な例でPRAMを解説する。

関連論文リスト

Fairness Feedback Loops: Training on Synthetic Data Amplifies Bias [47.79659355705916]
モデル誘導分散シフト(MIDS)は、以前のモデルが代々のモデルに対して汚染された新しいモデルトレーニングセットを出力するときに発生する。我々は,複数世代にわたるMIDSの追跡を可能にするフレームワークを導入し,性能,公平性,少数化グループ表現の損失につながることを確認した。これらの否定的な結果にもかかわらず、モデルがデータエコシステムにおけるポジティブで意図的な介入にどのように使用されるかを特定します。
論文参考訳（メタデータ） (2024-03-12T17:48:08Z)
Diffusion models for probabilistic programming [56.47577824219207]
拡散モデル変分推論(DMVI)は確率型プログラミング言語(PPL)における自動近似推論手法である DMVIは実装が容易で、例えば正規化フローを用いた変分推論の欠点を伴わずに、PPLでヘイズルフリー推論が可能であり、基礎となるニューラルネットワークモデルに制約を課さない。
論文参考訳（メタデータ） (2023-11-01T12:17:05Z)
Cheap and Deterministic Inference for Deep State-Space Models of Interacting Dynamical Systems [38.23826389188657]
本稿では,基礎となる相互作用力学系をモデル化するために,グラフニューラルネットワークを用いた深部状態空間モデルを提案する。予測分布はマルチモーダルであり、ガウス混合モデルの形をしており、ガウス成分のモーメントは決定論的モーメントマッチングルールによって計算できる。我々のモーメントマッチングスキームはサンプルのない推論に利用でき、モンテカルロの代替案と比較してより効率的で安定した訓練がもたらされる。
論文参考訳（メタデータ） (2023-05-02T20:30:23Z)
Mixed membership distribution-free model [0.4972323953932129]
重なり合う重み付きネットワークにおいて、ノードが複数のコミュニティに属し、エッジ重みが有限実数となるようなコミュニティ検出の問題を考える。このような複雑なネットワークをモデル化するために,MMDF(Mixed Memberity Distribution-free)モデルを提案する。このモデルでは,収束率を理論的に保証した効率的なスペクトルアルゴリズムを用いて,コミュニティメンバーシップを推定する。
論文参考訳（メタデータ） (2021-12-04T18:21:02Z)
Generative Adversarial Network for Probabilistic Forecast of Random Dynamical System [19.742888499307178]
本研究では,確率力学系のデータ駆動型シミュレーションのための深層学習モデルを提案する。本稿では,逐次推論問題に対する一貫性条件に基づく生成逆数ネットワークの正規化戦略を提案する。複雑な雑音構造を持つ3つのプロセスを用いて,提案モデルの挙動について検討した。
論文参考訳（メタデータ） (2021-11-04T19:50:56Z)
Device Scheduling and Update Aggregation Policies for Asynchronous Federated Learning [72.78668894576515]
Federated Learning (FL)は、新しく登場した分散機械学習(ML)フレームワークである。本稿では,FLシステムにおけるトラグラー問題を排除するために,周期的なアグリゲーションを伴う非同期FLフレームワークを提案する。
論文参考訳（メタデータ） (2021-07-23T18:57:08Z)
On the Generative Utility of Cyclic Conditionals [103.1624347008042]
2つの条件付きモデル$p(x|z)$を用いて、共同分布$p(x,z)$をモデル化できるかどうか、また、どのようにしてサイクルを形成するかを検討する。本稿では,周期条件生成モデリングのためのCyGenフレームワークを提案する。
論文参考訳（メタデータ） (2021-06-30T10:23:45Z)
Probabilistic Generating Circuits [50.98473654244851]
効率的な表現のための確率的生成回路(PGC)を提案する。 PGCは、非常に異なる既存モデルを統一する理論的なフレームワークであるだけでなく、現実的なデータをモデル化する大きな可能性も示している。我々はPCとDPPの単純な組み合わせによって簡単に仮定されない単純なPGCのクラスを示し、一連の密度推定ベンチマークで競合性能を得る。
論文参考訳（メタデータ） (2021-02-19T07:06:53Z)
Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文参考訳（メタデータ） (2020-09-29T12:50:33Z)
Variational Filtering with Copula Models for SLAM [5.242618356321224]
より広い分布のクラスと同時局所化とマッピング(SLAM)を同時に行うことができるかを示す。分布モデルとコプラを逐次モンテカルロ推定器に統合し、勾配に基づく最適化によって未知のモデルパラメータがいかに学習できるかを示す。
論文参考訳（メタデータ） (2020-08-02T15:38:23Z)
Struct-MMSB: Mixed Membership Stochastic Blockmodels with Interpretable Structured Priors [13.712395104755783]
混合メンバシップブロックモデル(MMSB)は、コミュニティ検出とネットワーク生成のための一般的なフレームワークである。最近開発された統計リレーショナル学習モデルであるヒンジロスマルコフ確率場(HL-MRF)を用いた柔軟なMMSBモデル、textitStruct-MMSBを提案する。我々のモデルは、観測された特徴と会員分布の複雑な組み合わせとして符号化された有意義な潜伏変数を用いて、実世界のネットワークにおける潜伏特性を学習することができる。
論文参考訳（メタデータ） (2020-02-21T19:32:32Z)

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。