論文の概要: VarFA: A Variational Factor Analysis Framework For Efficient Bayesian Learning Analytics

• arxiv url: http://arxiv.org/abs/2005.13107v2
• Date: Fri, 14 Aug 2020 20:46:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 08:31:01.210074
• Title: VarFA: A Variational Factor Analysis Framework For Efficient Bayesian Learning Analytics
• Title（参考訳）: VarFA: 効率的なベイズ学習分析のための変分分析フレームワーク
• Authors: Zichao Wang, Yi Gu, Andrew Lan, Richard Baraniuk
• Abstract要約: VarFAは、教育データマイニングのための既存の因子分析モデルを拡張する変分推論フレームワークである。 不確実性情報を生成する従来のベイズ推論手法は計算コストが高く、大規模なデータセットにスケールしない。 VarFAは非常に一般的で、幅広い因子分析モデルに適用できる。
• 参考スコア（独自算出の注目度）: 3.700463358780727
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose VarFA, a variational inference factor analysis framework that extends existing factor analysis models for educational data mining to efficiently output uncertainty estimation in the model's estimated factors. Such uncertainty information is useful, for example, for an adaptive testing scenario, where additional tests can be administered if the model is not quite certain about a students' skill level estimation. Traditional Bayesian inference methods that produce such uncertainty information are computationally expensive and do not scale to large data sets. VarFA utilizes variational inference which makes it possible to efficiently perform Bayesian inference even on very large data sets. We use the sparse factor analysis model as a case study and demonstrate the efficacy of VarFA on both synthetic and real data sets. VarFA is also very general and can be applied to a wide array of factor analysis models.
• Abstract（参考訳）: 本稿では,学習データマイニングのための既存の因子分析モデルを拡張し,モデル推定因子の不確実性評価を効率的に出力する変分推論因子分析フレームワークであるVarFAを提案する。 このような不確実性情報は、例えば、モデルが学生のスキルレベル推定について十分に確実でない場合に追加のテストを実施することができる適応テストシナリオにおいて有用である。 このような不確実性情報を生成する従来のベイズ推論手法は計算コストが高く、大規模なデータセットにスケールしない。 VarFAは変分推論を利用して、非常に大きなデータセットでも効率的にベイズ推論を行うことができる。 本研究では, スパース因子分析モデルを用いて, 合成データと実データの両方に対するVarFAの有効性を実証する。 VarFA もまた非常に一般的であり、幅広い因子分析モデルに適用することができる。

関連論文リスト

• Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
  拡散モデルは、生成的モデリングに大きな進歩をもたらした。 しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。 本稿では,テキスト・インフルエンス・ファンクション・フレームワークを開発することにより,このような課題に対処することを目的とする。
  論文  参考訳（メタデータ） (2024-10-17T17:59:02Z)
• Cycles of Thought: Measuring LLM Confidence through Stable Explanations [53.15438489398938]
  大規模言語モデル(LLM)は、様々なベンチマークで人間レベルの精度に到達し、さらに超えることができるが、不正確な応答における過度な自信は、依然として十分に文書化された障害モードである。 本稿では,LLMの不確実性を測定するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-05T16:35:30Z)
• Penalized Generative Variable Selection [5.827768844489063]
  条件付きワッサーシュタイン生成共振器ネットワークを用いたモデリング・推定について検討する。 グループラッソのペナリゼーションは、モデル推定/予測、解釈可能性、安定性などを改善する変数選択に適用される。
  論文  参考訳（メタデータ） (2024-02-26T15:35:10Z)
• A Bayesian Framework on Asymmetric Mixture of Factor Analyser [0.0]
  本稿では、スキュー正規(無制限)一般化双曲型(SUNGH)分布のリッチで柔軟なクラスを持つMFAモデルを提案する。 SUNGHファミリーは、様々な方向の歪みをモデル化する柔軟性と、重み付きデータを可能にする。 因子分析モデルを考慮すると、SUNGHファミリーは誤差成分と因子スコアの両方の歪みと重みを許容する。
  論文  参考訳（メタデータ） (2022-11-01T20:19:52Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Data Augmentation in the Underparameterized and Overparameterized Regimes [7.326504492614808]
  我々は,データの増大が推定値の分散と限定分布に与える影響を定量化する。 その結果、機械学習の実践において行われたいくつかの観察が確認できたが、予期せぬ発見につながった。
  論文  参考訳（メタデータ） (2022-02-18T11:32:41Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• MASSIVE: Tractable and Robust Bayesian Learning of Many-Dimensional Instrumental Variable Models [8.271859911016719]
  モデル不確実性を考慮した汎用的かつ効率的な因果推論アルゴリズムを提案する。 いくつかの候補が(近い)有効である限り、どの候補が先験的かを知ることなく、それらの集団が目標との相互作用に十分な制限を課し、信頼できる因果効果の推定を得る。
  論文  参考訳（メタデータ） (2020-12-18T10:06:55Z)
• Interpretable Multi-dataset Evaluation for Named Entity Recognition [110.64368106131062]
  本稿では,名前付きエンティティ認識(NER)タスクに対する一般的な評価手法を提案する。 提案手法は,モデルとデータセットの違いと,それらの間の相互作用を解釈することを可能にする。 分析ツールを利用可能にすることで、将来の研究者が同様の分析を実行し、この分野の進歩を促進することができる。
  論文  参考訳（メタデータ） (2020-11-13T10:53:27Z)
• 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)
• Sparse Semi-supervised Heterogeneous Interbattery Bayesian Analysis [5.653409562189869]
  本稿では,任意の問題をモデル化可能な一般FAフレームワークを提案する。 提案モデルであるSparse Semi-supervised Heterogeneous Interbattery Bayesian Analysis (SSHIBA) は4つのシナリオで検証されている。
  論文  参考訳（メタデータ） (2020-01-24T13:00:56Z)

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。