Fugu-MT 論文翻訳(概要): Applications of multivariate quasi-random sampling with neural networks

論文の概要: Applications of multivariate quasi-random sampling with neural networks

arxiv url: http://arxiv.org/abs/2012.08036v1
Date: Tue, 15 Dec 2020 01:42:23 GMT
ステータス: 翻訳完了
システム内更新日: 2021-05-07 05:31:25.978698
Title: Applications of multivariate quasi-random sampling with neural networks
Title（参考訳）: ニューラルネットワークを用いた多変量準ランダムサンプリングの応用
Authors: Marius Hofert, Avinash Prasad, Mu Zhu
Abstract要約: プロセス間の断面積依存性をモデル化するために,生成モーメントマッチングネットワーク(GMMN)を提案する。考慮されるプロセスは幾何学的なブラウン運動とARMA-GARCHモデルです。
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: Generative moment matching networks (GMMNs) are suggested for modeling the cross-sectional dependence between stochastic processes. The stochastic processes considered are geometric Brownian motions and ARMA-GARCH models. Geometric Brownian motions lead to an application of pricing American basket call options under dependence and ARMA-GARCH models lead to an application of simulating predictive distributions. In both types of applications the benefit of using GMMNs in comparison to parametric dependence models is highlighted and the fact that GMMNs can produce dependent quasi-random samples with no additional effort is exploited to obtain variance reduction.
Abstract（参考訳）: 確率過程間の断面積依存性をモデル化するために生成モーメントマッチングネットワーク(GMMN)を提案する。確率過程は幾何学的ブラウン運動とアルマ・ガルクモデルである。幾何学的ブラウン運動は、依存下でのアメリカのバスケットコールオプションの価格設定につながり、ARMA-GARCHモデルは予測分布をシミュレートする応用に繋がる。どちらのタイプのアプリケーションにおいても、パラメトリック依存モデルと比較してGMMNを使うことの利点が強調され、GMMNが追加の労力なしで依存準ランダムサンプルを生成できるという事実が分散還元を得るために利用される。

関連論文リスト

Numerical Generalized Randomized Hamiltonian Monte Carlo for piecewise smooth target densities [0.0]
不連続勾配と片方向の滑らかな目標を持つ連続密度をサンプリングする一般化ハミルトン・モンテカルロ法を提案する。この手法は,両シナリオの不変分布として所望の目標分布を許容するGRHMCプロセスに導かれると論じられている。
論文参考訳（メタデータ） (2025-04-25T09:41:57Z)
Feynman-Kac Correctors in Diffusion: Annealing, Guidance, and Product of Experts [64.34482582690927]
事前学習したスコアベースモデルから得られた熱処理, 幾何平均, 製品分布の配列から, 効率的かつ原理的に抽出する方法を提供する。本稿では,サンプリング品質を向上させるために,推論時間スケーリングを利用する逐次モンテカルロ(SMC)再サンプリングアルゴリズムを提案する。
論文参考訳（メタデータ） (2025-03-04T17:46:51Z)
Adjoint Matching: Fine-tuning Flow and Diffusion Generative Models with Memoryless Stochastic Optimal Control [26.195547996552406]
我々は,反復的プロセスを通じてサンプルを生成する動的生成モデルに対して,報酬微調整を最適制御(SOC)として用いた。提案手法は,報酬の微調整,一貫性の向上,リアリズム,人間の選好報酬モデルへの一般化など,既存の方法よりも大幅に改善されている。
論文参考訳（メタデータ） (2024-09-13T14:22:14Z)
Finite Mixtures of Multivariate Poisson-Log Normal Factor Analyzers for Clustering Count Data [0.8499685241219366]
因子分析モデルの混合に基づく8種類の擬似混合モデルについて紹介する。提案モデルはRNAシークエンシング研究から得られた離散的なデータをクラスタリングする文脈において探索される。
論文参考訳（メタデータ） (2023-11-13T21:23:15Z)
Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
論文参考訳（メタデータ） (2023-11-02T02:05:38Z)
Diffusion models for probabilistic programming [56.47577824219207]
拡散モデル変分推論(DMVI)は確率型プログラミング言語(PPL)における自動近似推論手法である DMVIは実装が容易で、例えば正規化フローを用いた変分推論の欠点を伴わずに、PPLでヘイズルフリー推論が可能であり、基礎となるニューラルネットワークモデルに制約を課さない。
論文参考訳（メタデータ） (2023-11-01T12:17:05Z)
Multi-Response Heteroscedastic Gaussian Process Models and Their Inference [1.52292571922932]
本稿ではヘテロセダスティック共分散関数のモデリングのための新しいフレームワークを提案する。後部モデルに近似し, 後部予測モデルを容易にするために, 変分推論を用いる。提案するフレームワークは,幅広いアプリケーションに対して,堅牢で汎用的なツールを提供する。
論文参考訳（メタデータ） (2023-08-29T15:06:47Z)
Heterogeneous Multi-Task Gaussian Cox Processes [61.67344039414193]
異種相関タスクを共同でモデル化するためのマルチタスクガウスコックスプロセスの新たな拡張を提案する。 MOGPは、分類、回帰、ポイントプロセスタスクの専用可能性のパラメータに先行して、異種タスク間の情報の共有を容易にする。モデルパラメータを推定するための閉形式反復更新を実現する平均場近似を導出する。
論文参考訳（メタデータ） (2023-08-29T15:01:01Z)
Deterministic Gibbs Sampling via Ordinary Differential Equations [77.42706423573573]
本稿では,自律的ODEとツールを用いた決定論的測度保存ダイナミクスの一般構築について述べる。我々は、ハイブリッドモンテカルロや他の決定論的サンプルが、我々の理論の特別な場合としてどのように従うかを示す。
論文参考訳（メタデータ） (2021-06-18T15:36:09Z)
Dynamic Gaussian Mixture based Deep Generative Model For Robust Forecasting on Sparse Multivariate Time Series [43.86737761236125]
本研究では,孤立した特徴表現ではなく,潜在クラスタの遷移を追跡する新しい生成モデルを提案する。新たに設計された動的ガウス混合分布が特徴であり、クラスタリング構造のダイナミクスを捉えている。帰納的解析を可能にするために構造化推論ネットワークも設計されている。
論文参考訳（メタデータ） (2021-03-03T04:10:07Z)
Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文参考訳（メタデータ） (2020-10-24T07:01:24Z)
Probabilistic Circuits for Variational Inference in Discrete Graphical Models [101.28528515775842]
変分法による離散的グラフィカルモデルの推論は困難である。エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。 Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
論文参考訳（メタデータ） (2020-10-22T05:04:38Z)
Multivariate time-series modeling with generative neural networks [0.0]
多変量時系列(MTS)の連立革新分布の依存モデルとして生成モーメントマッチングネットワーク(GMMN)を導入する GMMNは、非常に柔軟でシミュレートが容易であり、コプラ-GARCHアプローチに対する大きな利点である。
論文参考訳（メタデータ） (2020-02-25T03:26:52Z)

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。