Fugu-MT 論文翻訳(概要): Density Deconvolution with Normalizing Flows

論文の概要: Density Deconvolution with Normalizing Flows

arxiv url: http://arxiv.org/abs/2006.09396v2
Date: Mon, 13 Jul 2020 10:58:53 GMT
ステータス: 処理完了
システム内更新日: 2022-11-20 19:36:01.402970
Title: Density Deconvolution with Normalizing Flows
Title（参考訳）: 正規化流れを伴う密度デコンボリューション
Authors: Tim Dockhorn, James A. Ritchie, Yaoliang Yu, Iain Murray
Abstract要約: 正規化流れの高密度推定性能を利用して任意の雑音分布を推定する。実データによる実験では、流れは密度のデコンボリューションのために既にガウス混合を上回っている。
参考スコア（独自算出の注目度）: 26.395910367497592
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Density deconvolution is the task of estimating a probability density function given only noise-corrupted samples. We can fit a Gaussian mixture model to the underlying density by maximum likelihood if the noise is normally distributed, but would like to exploit the superior density estimation performance of normalizing flows and allow for arbitrary noise distributions. Since both adjustments lead to an intractable likelihood, we resort to amortized variational inference. We demonstrate some problems involved in this approach, however, experiments on real data demonstrate that flows can already out-perform Gaussian mixtures for density deconvolution.
Abstract（参考訳）: 密度デコンボリューション(英: density deconvolution)は、雑音に汚染されたサンプルのみの確率密度関数を推定するタスクである。ガウス混合モデルは, 雑音が正規分布する場合は最大確率で最大密度に適合するが, 正規化流れの優れた密度推定性能を活用し, 任意の雑音分布を可能にする。どちらの調整も難解な可能性をもたらすので、我々は変分推論を償却する。しかし, 実データを用いた実験により, 密度デコンボリューションにおいて, 流れがガウス混合よりも優れていることを示した。

関連論文リスト

Estimating Probability Densities with Transformer and Denoising Diffusion [0.0]
本研究では,トランスフォーマー上の拡散ヘッドを用いた確率モデルのトレーニングにより,確率密度の推定が妥当であることを示す。当社のTransformer+Denoising Diffusionモデルについて、天文学的な観測と、銀河内の恒星のラベル測定の大規模なデータセットでトレーニングすることで説明します。
論文参考訳（メタデータ） (2024-07-22T15:10:41Z)
Sobolev Space Regularised Pre Density Models [51.558848491038916]
本研究では,ソボレフ法則の正則化に基づく非パラメトリック密度推定法を提案する。この方法は統計的に一貫したものであり、帰納的検証モデルを明確かつ一貫したものにしている。
論文参考訳（メタデータ） (2023-07-25T18:47:53Z)
Anomaly Detection with Variance Stabilized Density Estimation [49.46356430493534]
本稿では, 観測試料の確率を最大化するための分散安定化密度推定問題を提案する。信頼性の高い異常検知器を得るために,分散安定化分布を学習するための自己回帰モデルのスペクトルアンサンブルを導入する。我々は52のデータセットで広範なベンチマークを行い、我々の手法が最先端の結果につながることを示した。
論文参考訳（メタデータ） (2023-06-01T11:52:58Z)
Optimizing the Noise in Self-Supervised Learning: from Importance Sampling to Noise-Contrastive Estimation [80.07065346699005]
GAN(Generative Adversarial Networks)のように、最適な雑音分布はデータ分布に等しくなると広く想定されている。我々は、この自己教師型タスクをエネルギーベースモデルの推定問題として基礎づけるノイズ・コントラスト推定に目を向ける。本研究は, 最適雑音のサンプリングは困難であり, 効率性の向上は, データに匹敵する雑音分布を選択することに比べ, 緩やかに行うことができると結論付けた。
論文参考訳（メタデータ） (2023-01-23T19:57:58Z)
DensePure: Understanding Diffusion Models towards Adversarial Robustness [110.84015494617528]
拡散モデルの特性を解析し,それらが証明された堅牢性を高める条件を確立する。事前訓練されたモデル(すなわち分類器)の信頼性向上を目的とした新しいDensePure法を提案する。このロバストな領域は多重凸集合の和であり、以前の研究で特定されたロバストな領域よりもはるかに大きい可能性が示されている。
論文参考訳（メタデータ） (2022-11-01T08:18:07Z)
Robust Inference of Manifold Density and Geometry by Doubly Stochastic Scaling [8.271859911016719]
我々は高次元雑音下で頑健な推論のためのツールを開発する。提案手法は, セルタイプにまたがる技術的ノイズレベルの変動に頑健であることを示す。
論文参考訳（メタデータ） (2022-09-16T15:39:11Z)
ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
論文参考訳（メタデータ） (2022-08-18T16:07:59Z)
Joint Manifold Learning and Density Estimation Using Normalizing Flows [4.939777212813711]
問題に答えるために,1ピクセルあたりのペナル化と階層的トレーニングという2つのアプローチを導入する。そこで本稿では,変換された空間をアンタングル化することで,共同多様体学習と密度推定を行う一段階法を提案する。その結果, 共用多様体学習と密度推定において, 提案手法の優位性を検証した。
論文参考訳（メタデータ） (2022-06-07T13:35:14Z)
Density-Based Clustering with Kernel Diffusion [59.4179549482505]
単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
論文参考訳（メタデータ） (2021-10-11T09:00:33Z)
Conditional Density Estimation via Weighted Logistic Regressions [0.30458514384586394]
非均一プロセスモデルの一般密度と可能性関数の関連性を示すパラメトリック条件密度推定法を提案する。最大推定値は重み付けされたロジスティック回帰によって得ることができ、ブロックワイズ交互化スキームと局所ケースコントロールサンプリングを組み合わせることで計算を著しく緩和することができる。
論文参考訳（メタデータ） (2020-10-21T11:08:25Z)
Efficient sampling generation from explicit densities via Normalizing Flows [0.0]
本稿では,逆Kulback-Leibler分散の共通問題に対する解を提案し,フローの正規化に基づく手法を提案する。本手法の性能は多モード複素密度関数を用いて実証する。
論文参考訳（メタデータ） (2020-03-23T12:03:18Z)

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。