論文の概要: ABC-Di: Approximate Bayesian Computation for Discrete Data

• arxiv url: http://arxiv.org/abs/2010.09790v1
• Date: Mon, 19 Oct 2020 19:06:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 21:05:04.842432
• Title: ABC-Di: Approximate Bayesian Computation for Discrete Data
• Title（参考訳）: ABC-Di:離散データに対する近似ベイズ計算
• Authors: Ilze Amanda Auzina and Jakub M. Tomczak
• Abstract要約: 連続確率変数に対しては、確率自由推論問題は、近似ベイズ計算(ABC)という名前のメソッド群によって解ける。 本稿では,人口統計学に基づくMCMC ABCフレームワークの利用を提案し,微分進化にインスパイアされた新しいカーネルを提案する。 提案手法は,QMR-DTネットワークに基づく基礎疾患の発見と3つの可能性のない推論問題である。
• 参考スコア（独自算出の注目度）: 8.873449722727026
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many real-life problems are represented as a black-box, i.e., the internal workings are inaccessible or a closed-form mathematical expression of the likelihood function cannot be defined. For continuous random variables likelihood-free inference problems can be solved by a group of methods under the name of Approximate Bayesian Computation (ABC). However, a similar approach for discrete random variables is yet to be formulated. Here, we aim to fill this research gap. We propose to use a population-based MCMC ABC framework. Further, we present a valid Markov kernel, and propose a new kernel that is inspired by Differential Evolution. We assess the proposed approach on a problem with the known likelihood function, namely, discovering the underlying diseases based on a QMR-DT Network, and three likelihood-free inference problems: (i) the QMR-DT Network with the unknown likelihood function, (ii) learning binary neural network, and (iii) Neural Architecture Search. The obtained results indicate the high potential of the proposed framework and the superiority of the new Markov kernel.
• Abstract（参考訳）: 多くの実生活問題はブラックボックスとして表されるため、内部の作業は到達不能であり、あるいは確率関数の閉形式数学的表現は定義できない。 連続確率変数に対しては、確率自由推論問題は、近似ベイズ計算 (ABC) と呼ばれる一連の方法によって解ける。 しかし、離散確率変数に対する同様のアプローチはまだ定式化されていない。 ここではこの研究ギャップを埋めることを目指しています。 我々は人口ベースのmcmc abcフレームワークの利用を提案する。 さらに,有効なマルコフ核を示し,微分進化に触発された新しいカーネルを提案する。 提案手法は,QMR-DTネットワークに基づく基礎疾患の発見と3つの可能性のない推論問題である。 i) 未知の確率関数を持つQMR-DTネットワーク。 (ii)二元ニューラルネットワークの学習、及び (iii)ニューラル・アーキテクチャ・サーチ。 得られた結果は,提案するフレームワークの高ポテンシャルと新しいMarkovカーネルの優位性を示している。

関連論文リスト

• Proximal Interacting Particle Langevin Algorithms [0.0]
  本稿では,潜時変動モデルにおける推論と学習のためのPIPLAアルゴリズムを提案する。 非微分不可能な統計モデルにおけるパラメータ推定の問題に合わせた、新しい近位IPLAファミリー内のいくつかの変種を提案する。 我々の理論と実験は、PIPLAファミリーが非微分可能モデルの潜在変数モデルにおけるパラメータ推定問題のデファクト選択であることを示している。
  論文  参考訳（メタデータ） (2024-06-20T13:16:41Z)
• Probabilistic Inference in the Era of Tensor Networks and Differential Programming [3.9316145917872234]
  確率的グラフィカルモデル(PGM)における多くの一般的な推論タスクは、まだ対応するテンソルネットワーク(TN)ベースの適応を欠いている。 本研究では,以下の推論タスクに対してテンソルベースの解を定式化し,実装することにより,PGMとTNの接続を推し進める。 我々の研究は、量子回路シミュレーション、量子多体物理学、統計物理学の分野における最近の技術進歩によって動機付けられている。
  論文  参考訳（メタデータ） (2024-05-22T23:09:57Z)
• Kernel-based learning with guarantees for multi-agent applications [2.5643801430960163]
  本稿では,雑音環境下での潜伏多次元非線形現象を観測するエージェントネットワークのカーネルベース学習問題に対処する。 本研究では,研究中の現象について軽度の事前知識しか必要としない学習アルゴリズムを提案し,それに対応する非漸近的高確率誤差境界を持つモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-15T12:06:22Z)
• Anomaly Detection Under Uncertainty Using Distributionally Robust Optimization Approach [0.9217021281095907]
  異常検出は、大多数のパターンに従わないデータポイントを見つける問題として定義される。 1クラスのサポートベクトルマシン(SVM)メソッドは、通常のデータポイントと異常を区別するための決定境界を見つけることを目的としている。 誤分類の確率が低い分布的に頑健な確率制約モデルを提案する。
  論文  参考訳（メタデータ） (2023-12-03T06:13:22Z)
• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Multivariate Deep Evidential Regression [77.34726150561087]
  不確実性を認識するニューラルネットワークによる新しいアプローチは、従来の決定論的手法よりも有望である。 本稿では,レグレッションベースニューラルネットワークからアレータ性およびてんかん性不確かさを抽出する手法を提案する。
  論文  参考訳（メタデータ） (2021-04-13T12:20:18Z)
• Probabilistic Numeric Convolutional Neural Networks [80.42120128330411]
  画像や時系列などの連続的な入力信号は、不規則にサンプリングされたり、値が欠けていたりすることは、既存のディープラーニング手法では困難である。 ガウス過程(GP)として特徴を表す確率的畳み込みニューラルネットワークを提案する。 次に、畳み込み層を、このGP上で定義されたPDEの進化として定義し、次いで非線形性とする。 実験では,SuperPixel-MNISTデータセットの先行技術と医療時間2012データセットの競合性能から,提案手法の誤差を3倍に削減できることが示されている。
  論文  参考訳（メタデータ） (2020-10-21T10:08:21Z)
• 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)
• Bayesian neural networks and dimensionality reduction [4.039245878626346]
  そのような問題に対するモデルに基づくアプローチのクラスは、未知の非線形回帰関数における潜在変数を含む。 VAEは、近似を用いて計算をトラクタブルにする人工知能ニューラルネットワーク(ANN)である。 潜在変数を持つANNモデルにおいて,マルコフ連鎖モンテカルロサンプリングアルゴリズムをベイズ推定のために展開する。
  論文  参考訳（メタデータ） (2020-08-18T17:11:07Z)
• Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
  オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。 複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-12T06:23:49Z)

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。