論文の概要: Context-Specific Likelihood Weighting

• arxiv url: http://arxiv.org/abs/2101.09791v3
• Date: Sat, 27 Feb 2021 09:46:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-19 04:48:23.736413
• Title: Context-Specific Likelihood Weighting
• Title（参考訳）: 文脈に特有な重み付け
• Authors: Nitesh Kumar and Ond\v{r}ej Ku\v{z}elka
• Abstract要約: 近似推論のための文脈特異性重み付け(CS-LW)を提案する。 標準の確率重み付けとは異なり、CS-LW はランダム変数の部分代入に基づいている。 我々はCS-LWが近似推論のための最先端アルゴリズムと競合していることを実証的に示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sampling is a popular method for approximate inference when exact inference is impractical. Generally, sampling algorithms do not exploit context-specific independence (CSI) properties of probability distributions. We introduce context-specific likelihood weighting (CS-LW), a new sampling methodology, which besides exploiting the classical conditional independence properties, also exploits CSI properties. Unlike the standard likelihood weighting, CS-LW is based on partial assignments of random variables and requires fewer samples for convergence due to the sampling variance reduction. Furthermore, the speed of generating samples increases. Our novel notion of contextual assignments theoretically justifies CS-LW. We empirically show that CS-LW is competitive with state-of-the-art algorithms for approximate inference in the presence of a significant amount of CSIs.
• Abstract（参考訳）: サンプリングは、正確な推論が実用的でない場合に近似推論を行う一般的な方法である。 一般に、サンプリングアルゴリズムは確率分布の文脈特異的独立性(csi)特性を利用しない。 従来の条件付き独立性を利用した新しいサンプリング手法であるcs-lw(context-specific likelihood weighting)を導入するとともに,csi特性も活用する。 標準確率重み付けとは異なり、CS-LWは確率変数の部分的な割り当てに基づいており、サンプリング分散の低減により収束するサンプルが少ない。 さらに, 試料の生成速度も向上した。 文脈代入の概念は理論上CS-LWを正当化する。 CS-LWは,大量のCSIが存在する場合の近似推論において,最先端のアルゴリズムと競合することを示す。

関連論文リスト

• Unveiling the Statistical Foundations of Chain-of-Thought Prompting Methods [59.779795063072655]
  CoT(Chain-of-Thought)の促進とその変種は、多段階推論問題を解決する効果的な方法として人気を集めている。 統計的推定の観点からCoTのプロンプトを解析し,その複雑さを包括的に評価する。
  論文  参考訳（メタデータ） (2024-08-25T04:07:18Z)
• Policy Gradient with Active Importance Sampling [55.112959067035916]
  政策勾配法(PG法)はISの利点を大いに生かし、以前に収集したサンプルを効果的に再利用することができる。 しかし、ISは歴史的サンプルを再重み付けするための受動的ツールとしてRLに採用されている。 我々は、政策勾配のばらつきを減らすために、サンプルを収集する最良の行動ポリシーを模索する。
  論文  参考訳（メタデータ） (2024-05-09T09:08:09Z)
• Invariant Causal Prediction with Local Models [52.161513027831646]
  観測データから対象変数の因果親を特定するタスクについて検討する。 L-ICP(textbfL$ocalized $textbfI$nvariant $textbfCa$usal $textbfP$rediction)と呼ばれる実用的手法を導入する。
  論文  参考訳（メタデータ） (2024-01-10T15:34:42Z)
• Optimal Multi-Distribution Learning [88.3008613028333]
  マルチディストリビューション学習は、$k$の異なるデータ分散における最悪のリスクを最小限に抑える共有モデルを学ぶことを目指している。 本稿では, (d+k)/varepsilon2の順に, サンプルの複雑さを伴って, ヴァレプシロン最適ランダム化仮説を導出するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-08T16:06:29Z)
• On the connection between least squares, regularization, and classical shadows [17.633238342851925]
  RLS と CS の両者を, 未決定状態の正則化剤とみなすことができることを示す。 RLSとCSを3つの異なる角度から評価し, バイアスと分散のトレードオフ, 期待値と実測値とのミスマッチ, 計測数と撮影数との相互作用について検討した。
  論文  参考訳（メタデータ） (2023-10-25T18:39:08Z)
• Stable Probability Weighting: Large-Sample and Finite-Sample Estimation and Inference Methods for Heterogeneous Causal Effects of Multivalued Treatments Under Limited Overlap [0.0]
  異種因果効果を推定・推定するための実用的大サンプルおよび有限サンプル法を提案する。 安定確率重み付け(Stable Probability Weighting)という一般原理を考案する。 また、弱null仮説の一般クラスをテストするための新しい有限サンプル推論手法を提案する。
  論文  参考訳（メタデータ） (2023-01-13T18:52:18Z)
• BR-SNIS: Bias Reduced Self-Normalized Importance Sampling [11.150337082767862]
  重要サンプリング(Importance Smpling、IS)とは、提案分布と関連する重要度から独立したサンプルを用いて、目標分布下での期待を近似する手法である。 本稿では,SNISの複雑さが本質的に同じであり,分散を増大させることなくバイアスを大幅に低減するBR-SNISを提案する。 提案アルゴリズムには、新しいバイアス、分散、高確率境界を含む厳密な理論的結果を与える。
  論文  参考訳（メタデータ） (2022-07-13T17:14:10Z)
• Adversarial sampling of unknown and high-dimensional conditional distributions [0.0]
  本稿では, GAN (Generative Adversarial Network) と呼ばれるデータ駆動方式を用いて, サンプリング法と基礎分布の推定を行う。 GANは、2つの競合するニューラルネットワークをトレーニングし、トレーニングセット分布からサンプルを効果的に生成できるネットワークを生成する。 提案アルゴリズムのすべてのバージョンは, 対象条件分布を, サンプルの品質に最小限の影響で効果的にサンプリングできることが示されている。
  論文  参考訳（メタデータ） (2021-11-08T12:23:38Z)
• Local policy search with Bayesian optimization [73.0364959221845]
  強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。 局所探索のための政策勾配は、しばしばランダムな摂動から得られる。 目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-06-22T16:07:02Z)
• Compressing Large Sample Data for Discriminant Analysis [78.12073412066698]
  判別分析フレームワーク内での大きなサンプルサイズに起因する計算問題を考察する。 線形および二次判別分析のためのトレーニングサンプル数を削減するための新しい圧縮手法を提案する。
  論文  参考訳（メタデータ） (2020-05-08T05:09:08Z)

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。