論文の概要: A method to integrate and classify normal distributions
- arxiv url: http://arxiv.org/abs/2012.14331v4
- Date: Wed, 7 Apr 2021 18:49:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-26 05:16:29.489071
- Title: A method to integrate and classify normal distributions
- Title（参考訳）: 正規分布の統合と分類法
- Authors: Abhranil Das and Wilson S Geisler
- Abstract要約: i)任意の次元の正規分布の任意の領域における確率、(ii)正規ベクトルの任意の関数の確率密度、分布、およびパーセンテージポイント、および(iii)正規分布の任意の数の分類性能を測定する誤差行列を提供する結果およびオープンソースソフトウェアを提示する。
自然界に潜む物体を検知し、迷彩を検知する視覚研究アプリケーションを用いて、これらのツールを実証します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Univariate and multivariate normal probability distributions are widely used
when modeling decisions under uncertainty. Computing the performance of such
models requires integrating these distributions over specific domains, which
can vary widely across models. Besides some special cases where these integrals
are easy to calculate, there exists no general analytical expression, standard
numerical method or software for these integrals. Here we present mathematical
results and open-source software that provide (i) the probability in any domain
of a normal in any dimensions with any parameters, (ii) the probability
density, distribution, and percentage points of any function of a normal
vector, (iii) the error matrix that measures classification performance amongst
any number of normal distributions, and the optimal discriminability index,
(iv) dimension reduction and visualizations for such problems, and (v) tests
for how reliably these methods can be used on given data. We demonstrate these
tools with vision research applications of detecting occluding objects in
natural scenes, and detecting camouflage.
- Abstract（参考訳）: 単変量および多変量正規確率分布は不確実性のある決定をモデル化する際に広く用いられる。
このようなモデルの性能を計算するには、特定のドメインにまたがってこれらの分布を統合する必要がある。
これらの積分を計算し易い特別な場合もいくつかあるが、一般的な解析式や標準的な数値法やソフトウェアは存在しない。
Here we present mathematical results and open-source software that provide (i) the probability in any domain of a normal in any dimensions with any parameters, (ii) the probability density, distribution, and percentage points of any function of a normal vector, (iii) the error matrix that measures classification performance amongst any number of normal distributions, and the optimal discriminability index, (iv) dimension reduction and visualizations for such problems, and (v) tests for how reliably these methods can be used on given data.
自然界における物体の隠蔽やカモフラージュの検出といった視覚研究の応用を実演する。
関連論文リスト
- GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。
世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。
本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
論文 参考訳（メタデータ） (2024-06-11T17:27:23Z) - Scaling and renormalization in high-dimensional regression [72.59731158970894]
本稿では,様々な高次元リッジ回帰モデルの訓練および一般化性能の簡潔な導出について述べる。
本稿では,物理と深層学習の背景を持つ読者を対象に,これらのトピックに関する最近の研究成果の紹介とレビューを行う。
論文 参考訳（メタデータ） (2024-05-01T15:59:00Z) - Anomaly Detection Under Uncertainty Using Distributionally Robust
Optimization Approach [0.9217021281095907]
異常検出は、大多数のパターンに従わないデータポイントを見つける問題として定義される。
1クラスのサポートベクトルマシン(SVM)メソッドは、通常のデータポイントと異常を区別するための決定境界を見つけることを目的としている。
誤分類の確率が低い分布的に頑健な確率制約モデルを提案する。
論文 参考訳（メタデータ） (2023-12-03T06:13:22Z) - A Heavy-Tailed Algebra for Probabilistic Programming [53.32246823168763]
本稿では,確率変数の尾を解析するための体系的アプローチを提案する。
本稿では,確率型プログラミング言語コンパイラの静的解析(サンプル作成前)において,この手法をどのように利用できるかを示す。
実験結果から,重み付き代数を利用する推論アルゴリズムは,多数の密度モデリングおよび変分推論タスクにおいて優れた性能が得られることを確認した。
論文 参考訳（メタデータ） (2023-06-15T16:37:36Z) - Characteristic Function of the Tsallis $q$-Gaussian and Its Applications
in Measurement and Metrology [0.0]
ツァリス$q$-ガウス分布は標準ガウス分布の強力な一般化である。
本稿では,独立な$q$-ガウス確率変数の線形結合の特性について述べる。
これは不確実性解析のためのモンテカルロ法に代わる計算手順を提供する。
論文 参考訳（メタデータ） (2023-03-15T13:42:35Z) - Evidential Softmax for Sparse Multimodal Distributions in Deep
Generative Models [38.26333732364642]
確率分布の多重性を保存するスパース正規化関数である$textitev-softmax$を提案する。
本稿では,多変量オートエンコーダや自動回帰アーキテクチャなど,多種多様な生成モデルについて評価する。
論文 参考訳（メタデータ） (2021-10-27T05:32:25Z) - Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
まず確率分布をモデル化し,そのモデルからサンプリングする。
これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
論文 参考訳（メタデータ） (2021-10-20T12:25:22Z) - Interaction Models and Generalized Score Matching for Compositional Data [9.797319790710713]
本稿では, 確率単純度をベースとして, 対の相互作用の一般的なパターンに対応する指数関数型モデルを提案する。
特別の場合として、ディリクレ分布の族や、アッチソンの加法的ロジスティック正規分布がある。
提案手法の高次元解析により, 従来研究されていた全次元領域と同様に, シンプル領域を効率的に処理できることが示唆された。
論文 参考訳（メタデータ） (2021-09-10T05:29:41Z) - Probabilistic Kolmogorov-Arnold Network [1.4732811715354455]
本稿では,アレータティック不確実性の場合に出力の確率分布を推定する手法を提案する。
提案手法は, 出力の入力依存確率分布と, 入力による分布型の変化を対象とする。
本手法は任意の回帰モデルに適用できるが, 計算効率のよいモデルの構築につながるため,kansと組み合わせる。
論文 参考訳（メタデータ） (2021-04-04T23:49:15Z) - 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) - Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。
テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。
以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文 参考訳（メタデータ） (2020-06-22T21:12:31Z)
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。