論文の概要: Arbitrary Conditional Distributions with Energy
- arxiv url: http://arxiv.org/abs/2102.04426v1
- Date: Mon, 8 Feb 2021 18:36:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-09 15:32:37.260159
- Title: Arbitrary Conditional Distributions with Energy
- Title(参考訳): エネルギーによる任意条件分布
- Authors: Ryan R. Strauss, Junier B. Oliva
- Abstract要約: より一般的で有用な問題は任意の条件密度推定である。
本稿では, 分布$p(mathbfx_umid mathbfx_o)$を同時に推定できる新しい手法であるArbitrary Conditioning with Energy (ACE)を提案する。
また,1次元条件のみを学習することで学習問題を単純化し,推論中により複雑な分布を復元する。
- 参考スコア(独自算出の注目度): 11.081460215563633
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling distributions of covariates, or density estimation, is a core
challenge in unsupervised learning. However, the majority of work only
considers the joint distribution, which has limited relevance to practical
situations. A more general and useful problem is arbitrary conditional density
estimation, which aims to model any possible conditional distribution over a
set of covariates, reflecting the more realistic setting of inference based on
prior knowledge. We propose a novel method, Arbitrary Conditioning with Energy
(ACE), that can simultaneously estimate the distribution $p(\mathbf{x}_u \mid
\mathbf{x}_o)$ for all possible subsets of features $\mathbf{x}_u$ and
$\mathbf{x}_o$. ACE uses an energy function to specify densities, bypassing the
architectural restrictions imposed by alternative methods and the biases
imposed by tractable parametric distributions. We also simplify the learning
problem by only learning one-dimensional conditionals, from which more complex
distributions can be recovered during inference. Empirically, we show that ACE
achieves state-of-the-art for arbitrary conditional and marginal likelihood
estimation and for tabular data imputation.
- Abstract(参考訳): 共変量のモデリング分布、すなわち密度推定は教師なし学習の核となる課題である。
しかし、ほとんどの作業は、実際の状況に限定された共同分布のみを考慮に入れている。
より一般的で有用な問題は任意の条件密度推定であり、これは共変体の集合上の任意の可能な条件分布をモデル化し、事前の知識に基づいて推論のより現実的な設定を反映することを目的とする。
特徴 $\mathbf{x}_u$ および $\mathbf{x}_o$ のすべての可能な部分集合に対して、分布 $p(\mathbf{x}_u \mid \mathbf{x}_o)$ を同時に推定できる新手法 Arbitrary conditioning with Energy (ACE) を提案する。
ACEはエネルギー関数を使用して密度を指定し、代替方法によって課されるアーキテクチャ上の制約と、トラクタブルパラメトリック分布によって課されるバイアスをバイパスします。
また,1次元条件のみを学習することで学習問題を単純化し,推論中により複雑な分布を復元する。
実験により、ACEは任意の条件および限界推定および表型データ計算のための最先端技術を実現していることを示す。
関連論文リスト
- Approximating a RUM from Distributions on k-Slates [88.32814292632675]
与えられた分布を平均で最もよく近似するRUMを求める一般化時間アルゴリズムを求める。
我々の理論的結果は、実世界のデータセットに効果的でスケール可能なものを得るという、実践的な結果も得られます。
論文 参考訳(メタデータ) (2023-05-22T17:43:34Z) - Simple Binary Hypothesis Testing under Local Differential Privacy and
Communication Constraints [8.261182037130407]
局所差分プライバシー (LDP) と通信制約の両面から, 単純な二分仮説テストについて検討する。
我々はその結果をミニマックス最適かインスタンス最適かのどちらかとみなす。
論文 参考訳(メタデータ) (2023-01-09T18:36:49Z) - On counterfactual inference with unobserved confounding [36.18241676876348]
独立だが不均一な単位を持つ観測的研究を前提として、各単位の反実分布を学習することが目的である。
我々は、すべての$n$サンプルをプールして、すべての$n$パラメータベクトルを共同で学習する凸目的を導入する。
対数的ソボレフ不等式を満たすためにコンパクトに支持された分布に対して十分な条件を導出する。
論文 参考訳(メタデータ) (2022-11-14T04:14:37Z) - Diffusion models as plug-and-play priors [98.16404662526101]
我々は、事前の$p(mathbfx)$と補助的な制約である$c(mathbfx,mathbfy)$からなるモデルにおいて、高次元データ$mathbfx$を推論する問題を考える。
拡散モデルの構造は,異なるノイズ量に富んだ定性デノナイジングネットワークを通じて,微分を反復することで近似推論を行うことができる。
論文 参考訳(メタデータ) (2022-06-17T21:11:36Z) - Predicting conditional probability distributions of redshifts of Active
Galactic Nuclei using Hierarchical Correlation Reconstruction [0.8702432681310399]
本稿では,条件付き確率分布を安価に予測するために階層的相関再構成(HCR)手法を適用する。
我々は解釈可能なモデルを得る:条件付きモーメントに対する特徴の寄与を記述する係数を持つ。
本稿では、特にCCA(Canonical correlation Analysis)を用いて特徴最適化とl1"lasso"正規化を行う。
論文 参考訳(メタデータ) (2022-06-13T14:28:53Z) - A Rotated Hyperbolic Wrapped Normal Distribution for Hierarchical
Representation Learning [9.980145127016172]
回転型双曲型包括正規分布 (RoWN) は, 単純かつ効果的な双曲型包括正規分布 (HWN) の変化である。
本研究では,確率モデルにおける分布の標準選択である対角HWNの幾何学的性質を解析する。
新たに提案されたディストリビューションであるRoWNは,ノイズの多い合成二分木,WordNet,Atari 2600 Breakoutなど,さまざまな階層的データセットの制限を緩和できることを示す。
論文 参考訳(メタデータ) (2022-05-25T07:21:45Z) - Optimal policy evaluation using kernel-based temporal difference methods [78.83926562536791]
カーネルヒルベルト空間を用いて、無限水平割引マルコフ報酬過程の値関数を推定する。
我々は、関連するカーネル演算子の固有値に明示的に依存した誤差の非漸近上界を導出する。
MRP のサブクラスに対する minimax の下位境界を証明する。
論文 参考訳(メタデータ) (2021-09-24T14:48:20Z) - On the Generative Utility of Cyclic Conditionals [103.1624347008042]
2つの条件付きモデル$p(x|z)$を用いて、共同分布$p(x,z)$をモデル化できるかどうか、また、どのようにしてサイクルを形成するかを検討する。
本稿では,周期条件生成モデリングのためのCyGenフレームワークを提案する。
論文 参考訳(メタデータ) (2021-06-30T10:23:45Z) - Spatially relaxed inference on high-dimensional linear models [48.989769153211995]
本研究では,空間的に制約されたクラスタリング,統計的推論,アンサンブルを組み合わせ,複数のクラスタリング推論解を集約するアンサンブルクラスタリング推論アルゴリズムの特性について検討する。
アンサンブルクラスタ推論アルゴリズムは,最大クラスター径に等しい$delta$-FWERの標準仮定で$delta$-FWERを制御することを示す。
論文 参考訳(メタデータ) (2021-06-04T16:37:19Z) - Generative Model without Prior Distribution Matching [26.91643368299913]
変分オートエンコーダ(VAE)とその変分は、いくつかの先行分布を満たすために低次元の潜在表現を学習することによって古典的な生成モデルである。
我々は、先行変数に適合させるのではなく、先行変数が埋め込み分布と一致するように提案する。
論文 参考訳(メタデータ) (2020-09-23T09:33:24Z) - Distributional Reinforcement Learning via Moment Matching [54.16108052278444]
ニューラルネットワークを用いて各戻り分布から統計量の有限集合を学習する手法を定式化する。
我々の手法は、戻り分布とベルマン目標の間のモーメントの全ての順序を暗黙的に一致させるものとして解釈できる。
Atariゲームスイートの実験により,本手法は標準分布RLベースラインよりも優れていることが示された。
論文 参考訳(メタデータ) (2020-07-24T05:18:17Z)
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。