論文の概要: On the relationship between a Gamma distributed precision parameter and
the associated standard deviation in the context of Bayesian parameter
inference
- arxiv url: http://arxiv.org/abs/2101.06289v1
- Date: Fri, 15 Jan 2021 20:07:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-28 11:11:49.966293
- Title: On the relationship between a Gamma distributed precision parameter and
the associated standard deviation in the context of Bayesian parameter
inference
- Title(参考訳): ベイズパラメータ推定の文脈におけるガンマ分散精度パラメータとそれに伴う標準偏差の関係について
- Authors: Manuel M. Eichenlaub
- Abstract要約: ベイズ推定では、未知の測定不確実性はガンマ分布精度パラメータで定量化されることが多い。
本稿では,ガンマ分布の精度パラメータとそれに伴う標準偏差の分布を変換する手法を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In Bayesian inference, an unknown measurement uncertainty is often quantified
in terms of a Gamma distributed precision parameter, which is impractical when
prior information on the standard deviation of the measurement uncertainty
shall be utilised during inference. This paper thus introduces a method for
transforming between a gamma distributed precision parameter and the
distribution of the associated standard deviation. The proposed method is based
on numerical optimisation and shows adequate results for a wide range of
scenarios.
- Abstract(参考訳): ベイズ推定では、未知の測定の不確かさをガンマ分布の精度パラメータを用いて定量化することがしばしばあり、測定の不確かさの標準偏差に関する事前情報が推論中に活用される場合、実用的でない。
本稿では,ガンマ分布の精度パラメータとそれに伴う標準偏差の分布を変換する手法を提案する。
提案手法は数値最適化に基づいて,幅広いシナリオに対して適切な結果を示す。
関連論文リスト
- Transformer-based Parameter Estimation in Statistics [0.0]
パラメータ推定のための変換器に基づく手法を提案する。
数値法で必要とされる確率密度関数を知る必要さえない。
提案手法は,平均二乗誤差で測定した手法と類似あるいは良好な精度を達成できることが示されている。
論文 参考訳(メタデータ) (2024-02-28T04:30:41Z) - Uncertainty Quantification via Stable Distribution Propagation [60.065272548502]
本稿では,ニューラルネットワークによる安定確率分布の伝播手法を提案する。
提案手法は局所線形化に基づいており,ReLU非線型性に対する全変動距離の近似値として最適であることを示す。
論文 参考訳(メタデータ) (2024-02-13T09:40:19Z) - One step closer to unbiased aleatoric uncertainty estimation [71.55174353766289]
そこで本研究では,観測データのアクティブデノイズ化による新しい推定手法を提案する。
幅広い実験を行うことで,提案手法が標準手法よりも実際のデータ不確実性にはるかに近い近似を与えることを示す。
論文 参考訳(メタデータ) (2023-12-16T14:59:11Z) - Scalable and hyper-parameter-free non-parametric covariate shift
adaptation with conditional sampling [2.969582361376132]
共変量シフト適応に対する新しい非パラメトリックアプローチを提案する。
私たちの基本的な考え方は、ソースデータセットにある$k$-nearestの隣人によってラベル付けされていないターゲットデータをラベル付けすることにあります。
その結果,対象データの結合確率分布を推定するための収束速度が急上昇することがわかった。
論文 参考訳(メタデータ) (2023-12-15T17:28:09Z) - The Implicit Delta Method [61.36121543728134]
本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。
有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
論文 参考訳(メタデータ) (2022-11-11T19:34:17Z) - Dense Uncertainty Estimation via an Ensemble-based Conditional Latent
Variable Model [68.34559610536614]
我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。
そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。
以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
論文 参考訳(メタデータ) (2021-11-22T08:54:10Z) - CovarianceNet: Conditional Generative Model for Correct Covariance
Prediction in Human Motion Prediction [71.31516599226606]
本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。
我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
論文 参考訳(メタデータ) (2021-09-07T09:38:24Z) - Gaussian Process Uniform Error Bounds with Unknown Hyperparameters for
Safety-Critical Applications [71.23286211775084]
未知のハイパーパラメータを持つ設定において、ロバストなガウス過程の均一なエラー境界を導入する。
提案手法はハイパーパラメータの空間における信頼領域を計算し,モデル誤差に対する確率的上限を求める。
実験により、バニラ法やベイズ法よりもバニラ法の方がはるかに優れていることが示された。
論文 参考訳(メタデータ) (2021-09-06T17:10:01Z) - The $r$-value: evaluating stability with respect to distributional
shifts [0.0]
不確実性の尺度は、サンプリングによる不確実性、すなわち全人口を観測しない不確実性を定量化する。
Kullback-Liebler の発散に対する統計的推定値の分布不確かさを定量化する不確実性尺度を提案する。
論文 参考訳(メタデータ) (2021-05-07T05:18:12Z) - Nonparametric Estimation of Uncertainty Sets for Robust Optimization [2.741266294612776]
本研究では、ロバスト最適化問題に対する不確実性集合構築のためのデータ駆動手法について検討する。
確率質量が与えられた目標質量に近似することが保証された不確実性集合を推定するための非パラメトリック手法を提供する。
論文 参考訳(メタデータ) (2020-04-07T01:47:55Z)
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。