Fugu-MT 論文翻訳(概要): Learning Continuous Exponential Families Beyond Gaussian

論文の概要: Learning Continuous Exponential Families Beyond Gaussian

arxiv url: http://arxiv.org/abs/2102.09198v1
Date: Thu, 18 Feb 2021 07:44:53 GMT
ステータス: 処理完了
システム内更新日: 2021-02-19 14:26:19.373471
Title: Learning Continuous Exponential Families Beyond Gaussian
Title（参考訳）: ガウス語以外の連続指数家族を学習する
Authors: Christopher X. Ren, Sidhant Misra, Marc Vuffray, Andrey Y. Lokhov
Abstract要約: 対話手法に基づく連続的グラフィカルモデル学習のための計算効率の高い手法を提案する。条件付き可能性の推定器は、代替アプローチと比較して精度と複雑さの点で同様の要件を維持することを示しています。
参考スコア（独自算出の注目度）: 14.704630929165274
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We address the problem of learning of continuous exponential family distributions with unbounded support. While a lot of progress has been made on learning of Gaussian graphical models, we are still lacking scalable algorithms for reconstructing general continuous exponential families modeling higher-order moments of the data beyond the mean and the covariance. Here, we introduce a computationally efficient method for learning continuous graphical models based on the Interaction Screening approach. Through a series of numerical experiments, we show that our estimator maintains similar requirements in terms of accuracy and sample complexity compared to alternative approaches such as maximization of conditional likelihood, while considerably improving upon the algorithm's run-time.
Abstract（参考訳）: 我々は,unbounded supportを伴う連続的指数関数的家族分布の学習の問題に対処する。ガウス図形モデルの学習には多くの進歩があったが、平均と共分散を超えたデータの高次モーメントをモデル化する一般的な連続指数族を再構築するためのスケーラブルなアルゴリズムはいまだに欠けている。本稿では,対話スクリーニング手法に基づく連続的グラフィカルモデル学習のための計算効率の高い手法を提案する。一連の数値実験により、アルゴリズムの実行時間を大幅に改善しながら、条件付き可能性の最大化などの代替アプローチと比較して、精度とサンプルの複雑さの点で同様の要件を維持することを示しています。

関連論文リスト

Maximum likelihood inference for high-dimensional problems with multiaffine variable relations [2.4578723416255754]
本稿では,変数がマルチファイン表現によって関連付けられている推論問題について考察する。本稿では, 一般化正規分布問題に対して, 交互・反復重み付き最小二乗法 (AIRLS) アルゴリズムを提案し, その収束性を証明する。
論文参考訳（メタデータ） (2024-09-05T13:07:31Z)
Integer Programming for Learning Directed Acyclic Graphs from Non-identifiable Gaussian Models [6.54203362045253]
本研究では,連続観測データから有向非巡回グラフを学習する問題について検討する。中規模の問題を学習するための混合整数プログラミングフレームワークを開発した。提案手法は最先端のアルゴリズムより優れ,ノイズの不均一性に対して頑健である。
論文参考訳（メタデータ） (2024-04-19T02:42:13Z)
Large-scale Bayesian Structure Learning for Gaussian Graphical Models using Marginal Pseudo-likelihood [0.26249027950824516]
我々は2つの新しいマルコフ連鎖モンテカルロ探索アルゴリズムを導入する。これらのアルゴリズムは、1000変数の大規模問題であっても、標準コンピュータ上でわずか数分で信頼性の高い結果を提供できる。また,ヒトおよびマウスの遺伝子発現研究における中・大規模応用における本手法の有用性について述べる。
論文参考訳（メタデータ） (2023-06-30T20:37:40Z)
Offline Reinforcement Learning with Differentiable Function Approximation is Provably Efficient [65.08966446962845]
歴史的データを用いて意思決定戦略を最適化することを目的としたオフライン強化学習は、現実の応用に広く適用されている。微分関数クラス近似(DFA)を用いたオフライン強化学習の検討から一歩踏み出した。最も重要なことは、悲観的な適合Q-ラーニングアルゴリズムを解析することにより、オフライン微分関数近似が有効であることを示すことである。
論文参考訳（メタデータ） (2022-10-03T07:59:42Z)
Posterior and Computational Uncertainty in Gaussian Processes [52.26904059556759]
ガウスのプロセスはデータセットのサイズとともに違法にスケールする。多くの近似法が開発されており、必然的に近似誤差を導入している。この余分な不確実性の原因は、計算が限られているため、近似後部を使用すると完全に無視される。本研究では,観測された有限個のデータと有限個の計算量の両方から生じる組合せ不確実性を一貫した推定を行う手法の開発を行う。
論文参考訳（メタデータ） (2022-05-30T22:16:25Z)
Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。グラフが現在の勾配を混合する能力を定量化する計量法を提案する。そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
論文参考訳（メタデータ） (2022-04-13T15:54:35Z)
Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文参考訳（メタデータ） (2021-12-15T01:45:32Z)
A Boosting Approach to Reinforcement Learning [59.46285581748018]
複雑度が状態数に依存しない意思決定プロセスにおける強化学習のための効率的なアルゴリズムについて検討する。このような弱い学習手法の精度を向上させることができる効率的なアルゴリズムを提供する。
論文参考訳（メタデータ） (2021-08-22T16:00:45Z)
Sparse Algorithms for Markovian Gaussian Processes [18.999495374836584]
スパースマルコフ過程は、誘導変数の使用と効率的なカルマンフィルタライク再帰を結合する。我々は,局所ガウス項を用いて非ガウス的確率を近似する一般的なサイトベースアプローチであるsitesを導出する。提案手法は,変動推論,期待伝播,古典非線形カルマンスムーサなど,機械学習と信号処理の両方から得られるアルゴリズムの新たなスパース拡張の一群を導出する。派生した方法は、モデルが時間と空間の両方で別々の誘導点を持つ文学時間データに適しています。
論文参考訳（メタデータ） (2021-03-19T09:50:53Z)
Contrastive learning of strong-mixing continuous-time stochastic processes [53.82893653745542]
コントラスト学習(Contrastive Learning)は、ラベルのないデータから構築された分類タスクを解決するためにモデルを訓練する自己指導型の手法のファミリーである。拡散の場合,小～中距離間隔の遷移カーネルを適切に構築したコントラスト学習タスクを用いて推定できることが示される。
論文参考訳（メタデータ） (2021-03-03T23:06:47Z)
Learning ODE Models with Qualitative Structure Using Gaussian Processes [0.6882042556551611]
多くのコンテキストにおいて、明示的なデータ収集は高価であり、学習アルゴリズムはデータ効率が良くなければならない。スパースガウス過程を用いて微分方程式のベクトル場を学習する手法を提案する。この組み合わせにより,外挿性能と長期的挙動が大幅に向上し,計算コストの低減が図られる。
論文参考訳（メタデータ） (2020-11-10T19:34:07Z)

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。