論文の概要: Lightweight Data Fusion with Conjugate Mappings
- arxiv url: http://arxiv.org/abs/2011.10607v1
- Date: Fri, 20 Nov 2020 19:47:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 05:23:01.532767
- Title: Lightweight Data Fusion with Conjugate Mappings
- Title（参考訳）: 共役写像を用いた軽量データ融合
- Authors: Christopher L. Dean, Stephen J. Lee, Jason Pacheco, John W. Fisher III
- Abstract要約: 本稿では,構造化確率的グラフィカルモデルの解釈可能性とニューラルネットワークの柔軟性を組み合わせたデータ融合手法を提案する。
提案手法は,2種類の情報を用いた遅延変数の後方解析を重視した軽量データ融合(LDF)である。
- 参考スコア（独自算出の注目度）: 11.760099863897835
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present an approach to data fusion that combines the interpretability of
structured probabilistic graphical models with the flexibility of neural
networks. The proposed method, lightweight data fusion (LDF), emphasizes
posterior analysis over latent variables using two types of information:
primary data, which are well-characterized but with limited availability, and
auxiliary data, readily available but lacking a well-characterized statistical
relationship to the latent quantity of interest. The lack of a forward model
for the auxiliary data precludes the use of standard data fusion approaches,
while the inability to acquire latent variable observations severely limits
direct application of most supervised learning methods. LDF addresses these
issues by utilizing neural networks as conjugate mappings of the auxiliary
data: nonlinear transformations into sufficient statistics with respect to the
latent variables. This facilitates efficient inference by preserving the
conjugacy properties of the primary data and leads to compact representations
of the latent variable posterior distributions. We demonstrate the LDF
methodology on two challenging inference problems: (1) learning electrification
rates in Rwanda from satellite imagery, high-level grid infrastructure, and
other sources; and (2) inferring county-level homicide rates in the USA by
integrating socio-economic data using a mixture model of multiple conjugate
mappings.
- Abstract（参考訳）: 本稿では,構造化確率的グラフィカルモデルの解釈可能性とニューラルネットワークの柔軟性を組み合わせたデータ融合手法を提案する。
提案手法は,有意データ量と有意データ量との有意な統計的関係を欠くが,有意データ量と有意データ量との相関が十分でない2種類の情報を用いて,有意データ融合 (LDF) を実現する。
補助データに対する前方モデルの欠如は、標準データ融合アプローチの使用を妨げる一方で、潜在変数の観測ができないことは、ほとんどの教師付き学習手法の直接適用を著しく制限する。
LDFは、ニューラルネットワークを補助データの共役写像として利用することでこれらの問題に対処する。
これにより、プライマリデータの共役性を保持し、潜在変数の後続分布のコンパクト表現に繋がる効率的な推論が容易になる。
本研究では,(1)衛星画像からルワンダの電化率を学習し,(2)複数の共役写像の混合モデルを用いて社会経済データを統合することで,米国における郡レベルの殺人率を推定する。
関連論文リスト
- Enhancing Information Maximization with Distance-Aware Contrastive
Learning for Source-Free Cross-Domain Few-Shot Learning [55.715623885418815]
クロスドメインのFew-Shot Learningメソッドは、トレーニング前のフェーズでモデルをトレーニングするために、ソースドメインデータにアクセスする必要がある。
データプライバシやデータ送信やトレーニングコストの削減に対する懸念が高まっているため,ソースデータにアクセスせずにCDFSLソリューションを開発する必要がある。
本稿では,これらの課題に対処するための距離対応コントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2024-03-04T12:10:24Z) - Joint Distributional Learning via Cramer-Wold Distance [0.7614628596146602]
高次元データセットの共分散学習を容易にするために,クレーマー-ウォルド距離正規化を導入し,クレーマー-ウォルド距離正規化法を提案する。
また、フレキシブルな事前モデリングを可能にする2段階学習手法を導入し、集約後と事前分布のアライメントを改善する。
論文 参考訳（メタデータ） (2023-10-25T05:24:23Z) - FedSym: Unleashing the Power of Entropy for Benchmarking the Algorithms
for Federated Learning [1.4656078321003647]
Federated Learning(FL)は、独立した学習者がデータをプライベートに処理する分散機械学習アプローチである。
現在普及しているデータ分割技術について検討し、その主な欠点を可視化する。
エントロピーと対称性を利用して「最も困難」かつ制御可能なデータ分布を構築する手法を提案する。
論文 参考訳（メタデータ） (2023-10-11T18:39:08Z) - Robust Direct Learning for Causal Data Fusion [14.462235940634969]
我々は、他のニュアンス関数から処理効果を分離するマルチソースデータを統合するためのフレームワークを提供する。
また,半パラメトリック効率理論の理論的洞察に基づく因果情報認識重み付け関数を提案する。
論文 参考訳（メタデータ） (2022-11-01T03:33:22Z) - Inducing Data Amplification Using Auxiliary Datasets in Adversarial
Training [7.513100214864646]
本稿では,プライマリデータセット上でのトレーニングデータ増幅を誘導するバイアス付きマルチドメイン逆トレーニング(BiaMAT)手法を提案する。
提案手法は, 補助データセットを活用することにより, 一次データセット上での対向性の向上を実現することができる。
論文 参考訳（メタデータ） (2022-09-27T09:21:40Z) - Data Fusion with Latent Map Gaussian Processes [0.0]
多要素モデリングとキャリブレーションは、エンジニアリング設計においてユビキタスに発生するデータ融合タスクである。
本稿では,遅延マップガウス過程(LMGP)に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2021-12-04T00:54:19Z) - Graph Embedding with Data Uncertainty [113.39838145450007]
スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。
ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
論文 参考訳（メタデータ） (2020-09-01T15:08:23Z) - Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。
堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。
異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
論文 参考訳（メタデータ） (2020-07-21T08:18:06Z) - Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
異種データセットから学習した後続分布を融合する手法を提案する。
我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
論文 参考訳（メタデータ） (2020-07-13T03:27:45Z) - Relation-Guided Representation Learning [53.60351496449232]
本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。
私たちのフレームワークは、サンプル間の関係をよく保存します。
サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
論文 参考訳（メタデータ） (2020-07-11T10:57:45Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳（メタデータ） (2020-07-07T18:25:25Z)
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。