論文の概要: Detecting Hierarchical Changes in Latent Variable Models

• arxiv url: http://arxiv.org/abs/2011.09465v3
• Date: Mon, 23 Nov 2020 01:34:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-24 03:44:41.714376
• Title: Detecting Hierarchical Changes in Latent Variable Models
• Title（参考訳）: 潜在変数モデルにおける階層的変化の検出
• Authors: Shintaro Fukushima and Kenji Yamanishi
• Abstract要約: 潜在変数モデルには3つの異なるレベルの変更がある。 変更がどのレベルから来ているかを特定することで、変更の原因を分析することができるため、これらの変更を検出することが重要です。 本稿では,階層的な方法で3つのレベルの変化を検出するための情報理論フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 20.796638500161524
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper addresses the issue of detecting hierarchical changes in latent variable models (HCDL) from data streams. There are three different levels of changes for latent variable models: 1) the first level is the change in data distribution for fixed latent variables, 2) the second one is that in the distribution over latent variables, and 3) the third one is that in the number of latent variables. It is important to detect these changes because we can analyze the causes of changes by identifying which level a change comes from (change interpretability). This paper proposes an information-theoretic framework for detecting changes of the three levels in a hierarchical way. The key idea to realize it is to employ the MDL (minimum description length) change statistics for measuring the degree of change, in combination with DNML (decomposed normalized maximum likelihood) code-length calculation. We give a theoretical basis for making reliable alarms for changes. Focusing on stochastic block models, we employ synthetic and benchmark datasets to empirically demonstrate the effectiveness of our framework in terms of change interpretability as well as change detection.
• Abstract（参考訳）: 本稿では,データストリームから潜在変数モデル(HCDL)の階層的変化を検出する問題に対処する。 潜在変数モデルには3つの異なるレベルの変更がある。 1) 最初のレベルは、固定潜在変数のデータ分布の変化である。 2) 2つ目は、潜伏変数上の分布において、 3) 3つ目は潜在変数の数である。 変更がどのレベルから来ているか(変更解釈可能性)を特定することで、変更の原因を分析することができるため、これらの変更を検出することが重要です。 本稿では,3段階の変化を階層的に検出するための情報理論的枠組みを提案する。 MDL (minimum description length) は、DNML (Decomposed normalized maximum max) コード長計算と組み合わせて、変化の度合いを測定するために統計値を変更する。 我々は、変更に対して信頼できる警報を行うための理論的基礎を与える。 確率的ブロックモデルに着目し,合成およびベンチマークデータセットを用いて,変化の解釈性と変化検出の観点から,フレームワークの有効性を実証する。

関連論文リスト

• MARS: Benchmarking the Metaphysical Reasoning Abilities of Language Models with a Multi-task Evaluation Dataset [50.36095192314595]
  大きな言語モデル(LLM)は、一般化可能な推論能力を持つ意識的なエージェントとして機能する。 この能力は、イベントにおける無限の可能な変更をモデル化する複雑さのために、まだ探索されていない。 我々は,各ステップに対応する3つのタスクからなる最初のベンチマークMARSを紹介する。
  論文  参考訳（メタデータ） (2024-06-04T08:35:04Z)
• Exchanging Dual Encoder-Decoder: A New Strategy for Change Detection with Semantic Guidance and Spatial Localization [10.059696915598392]
  セマンティックガイダンスと空間的ローカライゼーションを用いたバイナリ変更検出のための2つのエンコーダ・デコーダ構造を交換した新しい戦略を提案する。 この戦略に基づいてバイナリ変更検出モデルを構築し、それを6つのデータセット上で18の最先端の変更検出手法と比較する。
  論文  参考訳（メタデータ） (2023-11-19T11:30:43Z)
• DCID: Deep Canonical Information Decomposition [84.59396326810085]
  本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。 そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。 また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
  論文  参考訳（メタデータ） (2023-06-27T16:59:06Z)
• Identifiable Latent Causal Content for Domain Adaptation under Latent Covariate Shift [82.14087963690561]
  マルチソースドメイン適応(MSDA)は、ラベル付き対象ドメインのラベル予測関数を学習する際の課題に対処する。 本稿では,潜在コンテンツ変数と潜時スタイル変数とともに,ドメイン間の潜時雑音を導入し,複雑な因果生成モデルを提案する。 提案手法は、シミュレーションと実世界の両方のデータセットに対して、例外的な性能と有効性を示す。
  論文  参考訳（メタデータ） (2022-08-30T11:25:15Z)
• Fuse It More Deeply! A Variational Transformer with Layer-Wise Latent Variable Inference for Text Generation [85.5379146125199]
  KLの消滅問題を克服する新しい変分変換器フレームワークを提案する。 提案手法は,遅延変数を絡み合わせることで,層内における後部情報減少を回避することができることを示す。
  論文  参考訳（メタデータ） (2022-07-13T11:27:46Z)
• Explaining the root causes of unit-level changes [23.489319745090857]
  既存の説明可能なAIと解釈可能なMLの方法は、統計単位に対する出力変数の値の変化を説明できない。 本稿では,様々な入力粒度における単位レベルの変化を説明するための2つの手法を提案する。
  論文  参考訳（メタデータ） (2022-06-26T22:32:11Z)
• Deep learning model solves change point detection for multiple change types [69.77452691994712]
  変更点検出は、データ分散の急激な障害をキャッチすることを目的としている。 本稿では,マルチディストリビューションシナリオにおけるアプローチを提案する。
  論文  参考訳（メタデータ） (2022-04-15T09:44:21Z)
• Interpretable Latent Variables in Deep State Space Models [4.884336328409872]
  我々は、時系列データを予測するために、リカレントニューラルネットワークと状態空間フレームワークを組み合わせたディープステートスペースモデル(DSSM)の新バージョンを導入する。 このモデルは、観測された系列を、時間を通して非線形に進化する潜在変数の関数として推定する。
  論文  参考訳（メタデータ） (2022-03-03T23:10:58Z)
• Learning Latent Causal Dynamics [14.762231867144065]
  時間遅延型因果変数を復元する原理的フレームワークLiLYを提案する。 次に、異なる分布シフトの下で測定された時間データからそれらの関係を同定する。 修正ステップは、いくつかのサンプルで低次元の変化係数を学習するものとして定式化される。
  論文  参考訳（メタデータ） (2022-02-10T04:23:32Z)
• Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
  一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。 本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。 実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-07-07T11:43:59Z)
• Triplot: model agnostic measures and visualisations for variable importance in predictive models that take into account the hierarchical correlation structure [3.0036519884678894]
  変数間の相関に関する情報を利用してモデル解析を支援する新しい手法を提案する。 ユーザが提案した変数群(アスペクト)と、自動的に決定される変数群(アスペクト)を解析する方法を紹介します。 また,可変グルーピングの階層構造を利用して高情報密度モデル可視化を行うtriplotという新しいタイプのモデル可視化手法を提案する。
  論文  参考訳（メタデータ） (2021-04-07T21:29:03Z)

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。