論文の概要: Projected Latent Markov Chain Monte Carlo: Conditional Sampling of
Normalizing Flows
- arxiv url: http://arxiv.org/abs/2007.06140v4
- Date: Fri, 26 Feb 2021 16:52:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 22:46:32.175443
- Title: Projected Latent Markov Chain Monte Carlo: Conditional Sampling of
Normalizing Flows
- Title（参考訳）: 投影型潜在マルコフ連鎖モンテカルロ:正規化流れの条件付サンプリング
- Authors: Chris Cannella, Mohammadreza Soltani, Vahid Tarokh
- Abstract要約: 射影型マルコフ連鎖モンテカルロ(PL-MCMC)は正規化流によって学習された高次元条件分布から抽出する手法である。
条件付きサンプリング法として,PL-MCMCは不完全データからのフローを正規化するためのモンテカルロ予測最大化(MC-EM)訓練を可能にする。
- 参考スコア（独自算出の注目度）: 37.87437571724747
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce Projected Latent Markov Chain Monte Carlo (PL-MCMC), a technique
for sampling from the high-dimensional conditional distributions learned by a
normalizing flow. We prove that a Metropolis-Hastings implementation of PL-MCMC
asymptotically samples from the exact conditional distributions associated with
a normalizing flow. As a conditional sampling method, PL-MCMC enables Monte
Carlo Expectation Maximization (MC-EM) training of normalizing flows from
incomplete data. Through experimental tests applying normalizing flows to
missing data tasks for a variety of data sets, we demonstrate the efficacy of
PL-MCMC for conditional sampling from normalizing flows.
- Abstract（参考訳）: 正規化流れから学習した高次元条件分布から抽出する手法であるProjected Latent Markov Chain Monte Carlo (PL-MCMCMC)を紹介する。
PL-MCMCのMetropolis-Hastings実装は,正規化フローに付随する正確な条件分布から漸近的にサンプルを採取する。
条件付きサンプリング法として,PL-MCMCは不完全データからのフローを正規化するためのモンテカルロ予測最大化(MC-EM)訓練を可能にする。
各種データセットに対して正規化フローを適用した実験により,正規化フローから条件付きサンプリングを行うPL-MCMCの有効性を実証した。
関連論文リスト
- Reverse Diffusion Monte Carlo [19.35592726471155]
逆拡散モンテカルロ(rdMC)と呼ばれる新しいモンテカルロサンプリングアルゴリズムを提案する。
rdMCはマルコフ連鎖モンテカルロ(MCMC)法とは異なる。
論文 参考訳（メタデータ） (2023-07-05T05:42:03Z) - Detecting and Mitigating Mode-Collapse for Flow-based Sampling of
Lattice Field Theories [6.222204646855336]
格子場理論の文脈における正規化流れのモード崩壊の結果について検討する。
本稿では,モード崩壊の度合いを定量化し,その結果の偏りを導出する指標を提案する。
論文 参考訳（メタデータ） (2023-02-27T19:00:22Z) - Continual Repeated Annealed Flow Transport Monte Carlo [93.98285297760671]
我々はCRAFT(Continuous Repeated Annealed Flow Transport Monte Carlo)を提案する。
シーケンシャルなモンテカルロサンプリングと正規化フローを用いた変分推論を組み合わせる。
CRAFTは格子場の実例で驚くほど正確な結果が得られることを示す。
論文 参考訳（メタデータ） (2022-01-31T10:58:31Z) - Deterministic Gibbs Sampling via Ordinary Differential Equations [77.42706423573573]
本稿では,自律的ODEとツールを用いた決定論的測度保存ダイナミクスの一般構築について述べる。
我々は、ハイブリッドモンテカルロや他の決定論的サンプルが、我々の理論の特別な場合としてどのように従うかを示す。
論文 参考訳（メタデータ） (2021-06-18T15:36:09Z) - Invertible Flow Non Equilibrium sampling [10.068677972360318]
逆流非平衡サンプリング(InFine)
InFine は期待値、特に定数の正規化の偏りのない推定器を構成する。
Evidence Lower Bound (ELBO) を構築するために使用でき、新しい変分オートエンコーダ (VAE) クラスにつながります。
論文 参考訳（メタデータ） (2021-03-17T09:09:06Z) - Annealed Flow Transport Monte Carlo [91.20263039913912]
Annealed Flow Transport (AFT) built on Annealed Importance Smpling (AIS) and Sequential Monte Carlo (SMC)
AFTは、連続したターゲットに向かって粒子をプッシュするために順次学習されるNFに依存します。
AFTの人口バージョンの連続時間スケーリング限界は、Feynman--Kac測度によって与えられることを示した。
論文 参考訳（メタデータ） (2021-02-15T12:05:56Z) - Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。
本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。
本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
論文 参考訳（メタデータ） (2021-02-04T02:21:08Z) - Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。
我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
論文 参考訳（メタデータ） (2019-12-30T17:36:33Z)
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。