論文の概要: Deep Fiducial Inference

• arxiv url: http://arxiv.org/abs/2007.04285v1
• Date: Wed, 8 Jul 2020 17:33:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 13:41:28.956124
• Title: Deep Fiducial Inference
• Title（参考訳）: 深部fiducial inference
• Authors: Gang Li, Jan Hannig
• Abstract要約: 本稿では,一般化されたフィデューシャル分布の計算方法を提案する。 装着されたオートエンコーダは、未知パラメータの一般化されたフィデューシャルサンプルを生成するために使用される。 次に,デコーダに差し込むと観測データを十分に複製できないサンプルを除去し,近似フィデューシャル計算アルゴリズムを適用した。
• 参考スコア（独自算出の注目度）: 4.222655023788368
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Since the mid-2000s, there has been a resurrection of interest in modern modifications of fiducial inference. To date, the main computational tool to extract a generalized fiducial distribution is Markov chain Monte Carlo (MCMC). We propose an alternative way of computing a generalized fiducial distribution that could be used in complex situations. In particular, to overcome the difficulty when the unnormalized fiducial density (needed for MCMC), we design a fiducial autoencoder (FAE). The fitted autoencoder is used to generate generalized fiducial samples of the unknown parameters. To increase accuracy, we then apply an approximate fiducial computation (AFC) algorithm, by rejecting samples that when plugged into a decoder do not replicate the observed data well enough. Our numerical experiments show the effectiveness of our FAE-based inverse solution and the excellent coverage performance of the AFC corrected FAE solution.
• Abstract（参考訳）: 2000年代中頃から、fiducial inferenceの現代的な修正への関心が復活した。 これまで、一般化された分裂分布を抽出する主な計算ツールはマルコフ連鎖モンテカルロ(mcmc)である。 本稿では,複雑な状況で使用可能な一般化されたfiducial distributionの計算方法を提案する。 特に,非正規化fiducial density (mcmc) の難易度を克服するために,fiducial autoencoder (fae) を設計した。 装着されたオートエンコーダを用いて未知パラメータの一般化されたフィデューシャルサンプルを生成する。 精度を向上させるために,デコーダに差し込むと観測データを十分に再現できないサンプルを除去し,近似フィデューシャル計算(AFC)アルゴリズムを適用した。 数値実験により,faeをベースとする逆解の有効性と,afc補正faeソリューションの精度が向上した。

関連論文リスト

• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)
• Bayesian Quantum State Tomography with Python's PyMC [0.0]
  我々は,Python-3 のオープンソース PyMC 確率型プログラミングパッケージを用いて,複雑でない QST 最適化問題を単純な形式に変換する方法を示す。 我々は,Python-3 のオープンソース PyMC 確率型プログラミングパッケージを用いて,複雑でない QST 最適化問題を単純な形式に変換する方法を示す。
  論文  参考訳（メタデータ） (2022-12-20T21:16:28Z)
• Beyond ADMM: A Unified Client-variance-reduced Adaptive Federated Learning Framework [82.36466358313025]
  我々はFedVRAと呼ばれる原始二重FLアルゴリズムを提案し、このアルゴリズムはグローバルモデルの分散還元レベルとバイアスを適応的に制御することができる。 半教師付き画像分類タスクに基づく実験は,既存の手法よりもFedVRAの方が優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-03T03:27:51Z)
• Langevin Autoencoders for Learning Deep Latent Variable Models [27.60436426879683]
  我々はLangevin autoencoder (LAE) という新しい潜伏変数モデルを提案する。 ALDに基づいて、Langevin autoencoder (LAE) という新しい深層潜伏変数モデルも提示する。
  論文  参考訳（メタデータ） (2022-09-15T04:26:22Z)
• Laplacian Autoencoders for Learning Stochastic Representations [0.6999740786886537]
  本稿では,非教師付き表現学習のためのベイズオートエンコーダを提案する。 我々のラプラシアオートエンコーダは、潜在空間と出力空間の両方において、よく校正された不確かさを推定する。
  論文  参考訳（メタデータ） (2022-06-30T07:23:16Z)
• On the Practicality of Differential Privacy in Federated Learning by Tuning Iteration Times [51.61278695776151]
  フェデレートラーニング(FL)は、分散クライアント間で機械学習モデルを協調的にトレーニングする際のプライバシ保護でよく知られている。 最近の研究では、naive flは勾配リーク攻撃の影響を受けやすいことが指摘されている。 ディファレンシャルプライバシ(dp)は、勾配漏洩攻撃を防御するための有望な対策として現れる。
  論文  参考訳（メタデータ） (2021-01-11T19:43:12Z)
• Autoencoding Variational Autoencoder [56.05008520271406]
  我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。 自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
  論文  参考訳（メタデータ） (2020-12-07T14:16:14Z)
• Generalizing Variational Autoencoders with Hierarchical Empirical Bayes [6.273154057349038]
  確率的生成モデルのための計算的に安定なフレームワークである階層的経験的ベイズオートエンコーダ(HEBAE)を提案する。 鍵となる貢献は2つであり、まず、符号化分布を階層的に優先することで、再構成損失関数の最小化と過正規化の回避とのトレードオフを適応的にバランスさせることで、利益を得る。
  論文  参考訳（メタデータ） (2020-07-20T18:18:39Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。