Fugu-MT 論文翻訳(概要): Conditional Density Estimation via Weighted Logistic Regressions

論文の概要: Conditional Density Estimation via Weighted Logistic Regressions

arxiv url: http://arxiv.org/abs/2010.10896v1
Date: Wed, 21 Oct 2020 11:08:25 GMT
ステータス: 処理完了
システム内更新日: 2022-10-05 00:35:15.807138
Title: Conditional Density Estimation via Weighted Logistic Regressions
Title（参考訳）: 重み付きロジスティック回帰による条件密度推定
Authors: Yiping Guo and Howard D. Bondell
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.30458514384586394
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Compared to the conditional mean as a simple point estimator, the conditional density function is more informative to describe the distributions with multi-modality, asymmetry or heteroskedasticity. In this paper, we propose a novel parametric conditional density estimation method by showing the connection between the general density and the likelihood function of inhomogeneous Poisson process models. The maximum likelihood estimates can be obtained via weighted logistic regressions, and the computation can be significantly relaxed by combining a block-wise alternating maximization scheme and local case-control sampling. We also provide simulation studies for illustration.
Abstract（参考訳）: 単純な点推定器としての条件付き平均と比較して、条件付き密度関数は多様性、非対称性、あるいはヘテロスケルキスティック性を持つ分布を記述するのにより有益である。本稿では,不均質ポアソン過程モデルの一般密度と確率関数との関係を示すことにより,新しいパラメトリック条件密度推定法を提案する。最大度推定は重み付きロジスティック回帰によって得られ、ブロック回り交互最大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。イラストのシミュレーション研究も行っています。

関連論文リスト

Diffusion Density Estimators [0.0]
本稿では,フローを解くことなくログ密度を計算できる新しい並列化手法を提案する。我々のアプローチは、モンテカルロによる経路積分を、拡散モデルのシミュレーション不要な訓練と同一の方法で推定することに基づいている。
論文参考訳（メタデータ） (2024-10-09T15:21:53Z)
A Likelihood Based Approach to Distribution Regression Using Conditional Deep Generative Models [6.647819824559201]
本研究では,条件付き深部生成モデルの推定のための可能性に基づくアプローチの大規模サンプル特性について検討する。その結果,条件分布を推定するための最大極大推定器の収束率を導いた。
論文参考訳（メタデータ） (2024-10-02T20:46:21Z)
Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。 PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
論文参考訳（メタデータ） (2024-07-10T17:39:50Z)
Conditional Pseudo-Reversible Normalizing Flow for Surrogate Modeling in Quantifying Uncertainty Propagation [11.874729463016227]
付加雑音によって汚染された物理モデルの代理モデルを構築するための条件付き擬似可逆正規化フローを導入する。トレーニングプロセスは、ノイズと関数に関する事前知識を必要とせずに、入出力ペアからなるデータセットを利用する。トレーニングされたモデルでは,高い確率領域をトレーニングセットでカバーした条件付き確率密度関数からサンプルを生成することができる。
論文参考訳（メタデータ） (2024-03-31T00:09:58Z)
Investigating the Adversarial Robustness of Density Estimation Using the Probability Flow ODE [4.7818621660181595]
我々は,新しい逆積分攻撃を含む6つの勾配に基づくログライクフード攻撃を導入,評価した。 CIFAR-10を用いた実験では, PF ODE を用いた密度推定は高複雑さ, 高線量攻撃に対して頑健であり, 場合によっては, 頑健な推定器から予測されるように, 対数サンプルが意味論的に意味があることが示唆された。
論文参考訳（メタデータ） (2023-10-10T23:58:53Z)
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)
MESSY Estimation: Maximum-Entropy based Stochastic and Symbolic densitY Estimation [4.014524824655106]
MESSY推定は最大エントロピーに基づくグラディエントおよびシンボリックデンシット推定法である。本研究では,未知分布関数のサンプルを推定記号表現に接続する勾配に基づくドリフト拡散過程を構築する。基本関数の記号探索を追加することで, 推定精度を合理的な計算コストで向上することがわかった。
論文参考訳（メタデータ） (2023-06-07T03:28:47Z)
Statistical Efficiency of Score Matching: The View from Isoperimetry [96.65637602827942]
本研究では, スコアマッチングの統計的効率と推定される分布の等尺性との間に, 密接な関係を示す。これらの結果はサンプル状態と有限状態の両方で定式化する。
論文参考訳（メタデータ） (2022-10-03T06:09:01Z)
Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文参考訳（メタデータ） (2022-02-23T06:11:49Z)
Heavy-tailed Streaming Statistical Estimation [58.70341336199497]
ストリーミング$p$のサンプルから重み付き統計推定の課題を考察する。そこで我々は,傾きの雑音に対して,よりニュアンスな条件下での傾きの傾きの低下を設計し,より詳細な解析を行う。
論文参考訳（メタデータ） (2021-08-25T21:30:27Z)
Comparing Probability Distributions with Conditional Transport [63.11403041984197]
新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
論文参考訳（メタデータ） (2020-12-28T05:14:22Z)

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。