論文の概要: Solving high-dimensional parameter inference: marginal posterior densities & Moment Networks

• arxiv url: http://arxiv.org/abs/2011.05991v1
• Date: Wed, 11 Nov 2020 19:00:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-26 23:51:07.741823
• Title: Solving high-dimensional parameter inference: marginal posterior densities & Moment Networks
• Title（参考訳）: 高次元パラメータ推論の解法:辺縁後密度とモーメントネットワーク
• Authors: Niall Jeffrey and Benjamin D. Wandelt
• Abstract要約: 推定のための高次元確率密度推定は「次元の商」に苦しむ 我々は高次元密度推定や高次元マルコフ連鎖モンテカルロサンプリングを通した低次元境界分布の直接推定を提案する。 我々は,高次元LIGO型重力波時系列を用いた境界後部密度推定を実証し,基礎宇宙論問題への応用について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-dimensional probability density estimation for inference suffers from the "curse of dimensionality". For many physical inference problems, the full posterior distribution is unwieldy and seldom used in practice. Instead, we propose direct estimation of lower-dimensional marginal distributions, bypassing high-dimensional density estimation or high-dimensional Markov chain Monte Carlo (MCMC) sampling. By evaluating the two-dimensional marginal posteriors we can unveil the full-dimensional parameter covariance structure. We additionally propose constructing a simple hierarchy of fast neural regression models, called Moment Networks, that compute increasing moments of any desired lower-dimensional marginal posterior density; these reproduce exact results from analytic posteriors and those obtained from Masked Autoregressive Flows. We demonstrate marginal posterior density estimation using high-dimensional LIGO-like gravitational wave time series and describe applications for problems of fundamental cosmology.
• Abstract（参考訳）: 推論のための高次元確率密度推定は「次元の曲線」に苦しむ。 多くの物理的推論問題において、完全な後方分布は、実際にはほとんど使われず、ほとんど使われない。 代わりに、高次元密度推定や高次元マルコフ連鎖モンテカルロ(MCMC)サンプリングを通した低次元境界分布の直接推定を提案する。 2次元辺縁後部を評価することにより、全次元パラメータ共分散構造を明らかにすることができる。 さらに,モーメントネットワークと呼ばれる高速神経回帰モデルの単純な階層を構築することを提案する。これは,任意の低次元の辺縁後密度の増大モーメントを計算し,解析的後部とマスケ自己回帰流から得られたモーメントの正確な結果を再現する。 高次元ligo様重力波時系列を用いた辺縁後密度推定を行い、基礎宇宙論の問題への応用について述べる。

関連論文リスト

• Hyperboloid GPLVM for Discovering Continuous Hierarchies via Nonparametric Estimation [41.13597666007784]
  次元性低減(DR)は複雑な高次元データの有用な表現を提供する。 最近のDR法は、階層データの忠実な低次元表現を導出する双曲幾何学に焦点を当てている。 本稿では,非パラメトリック推定による暗黙的な連続性を持つ高次元階層データを埋め込むためのhGP-LVMを提案する。
  論文  参考訳（メタデータ） (2024-10-22T05:07:30Z)
• Sharp detection of low-dimensional structure in probability measures via dimensional logarithmic Sobolev inequalities [0.5592394503914488]
  本稿では、所定の基準測度$mu$の摂動として、目標測度$pi$を同定し、近似する手法を提案する。 我々の主な貢献は、多元対数ソボレフ不等式(LSI)と、このアンザッツとの近似との接続を明らかにすることである。
  論文  参考訳（メタデータ） (2024-06-18T20:02:44Z)
• Quasi-Bayes meets Vines [2.3124143670964448]
  我々は、スクラーの定理を用いて、準ベイズ予想を高次元に拡張する別の方法を提案する。 提案した準ベイジアンVine (QB-Vine) は完全に非パラメトリックな密度推定器であることを示す。
  論文  参考訳（メタデータ） (2024-06-18T16:31:02Z)
• Randomized Physics-Informed Machine Learning for Uncertainty Quantification in High-Dimensional Inverse Problems [49.1574468325115]
  本研究では,高次元逆問題における不確実性定量化のための物理インフォームド機械学習手法を提案する。 我々は解析的に、そして、ハミルトン・モンテカルロとの比較を通して、rPICKLE はベイズ則によって与えられる真の後続に収束することを示す。
  論文  参考訳（メタデータ） (2023-12-11T07:33:16Z)
• Scaling Riemannian Diffusion Models [68.52820280448991]
  非自明な多様体上の高次元タスクにスケールできることを示す。 我々は、$SU(n)$格子上のQCD密度と高次元超球面上の対照的に学習された埋め込みをモデル化する。
  論文  参考訳（メタデータ） (2023-10-30T21:27:53Z)
• Curvature-Independent Last-Iterate Convergence for Games on Riemannian Manifolds [77.4346324549323]
  本研究では, 多様体の曲率に依存しないステップサイズが, 曲率非依存かつ直線的最終点収束率を達成することを示す。 我々の知る限りでは、曲率非依存率や/または最終点収束の可能性はこれまでに検討されていない。
  論文  参考訳（メタデータ） (2023-06-29T01:20:44Z)
• Convergence of mean-field Langevin dynamics: Time and space discretization, stochastic gradient, and variance reduction [49.66486092259376]
  平均場ランゲヴィンダイナミクス(英: mean-field Langevin dynamics、MFLD)は、分布依存のドリフトを含むランゲヴィン力学の非線形一般化である。 近年の研究では、MFLDは測度空間で機能するエントロピー規則化された凸関数を地球規模で最小化することが示されている。 有限粒子近似,時間分散,勾配近似による誤差を考慮し,MFLDのカオスの均一時間伝播を示す枠組みを提供する。
  論文  参考訳（メタデータ） (2023-06-12T16:28:11Z)
• Object based Bayesian full-waveform inversion for shear elastography [0.0]
  組織中の異常画像のせん断エラストグラフィーにおける不確かさを定量化する計算手法を開発した。 パラメータフィールドの後方確率は異常の幾何とそのせん断率を表わす。 滑らかで不規則な形状の合成2次元試験に対するアプローチを実証する。
  論文  参考訳（メタデータ） (2023-05-11T08:25:25Z)
• Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View Tomography [58.60249163402822]
  未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。 提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
  論文  参考訳（メタデータ） (2022-07-06T21:40:59Z)
• Instance-Optimal Compressed Sensing via Posterior Sampling [101.43899352984774]
  後部サンプリング推定器がほぼ最適回復保証を達成できることを示す。 本稿では,Langevin dynamics を用いた深部生成前駆体の後方サンプリング推定器を実装し,MAP よりも精度の高い推定値が得られることを実証的に見出した。
  論文  参考訳（メタデータ） (2021-06-21T22:51:56Z)
• Bayesian multiscale deep generative model for the solution of high-dimensional inverse problems [0.0]
  深層確率的生成モデルに基づく新しいマルチスケールベイズ推論手法が導入された。 この方法は、安定性、効率、精度を示しながら、高次元パラメータ推定を可能にする。
  論文  参考訳（メタデータ） (2021-02-04T11:47:21Z)

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。