Fugu-MT 論文翻訳(概要): A Stein Goodness of fit Test for Exponential Random Graph Models

論文の概要: A Stein Goodness of fit Test for Exponential Random Graph Models

arxiv url: http://arxiv.org/abs/2103.00580v1
Date: Sun, 28 Feb 2021 18:16:41 GMT
ステータス: 処理完了
システム内更新日: 2021-03-03 16:08:37.323644
Title: A Stein Goodness of fit Test for Exponential Random Graph Models
Title（参考訳）: 指数ランダムグラフモデルのための適合性試験の定常性
Authors: Wenkai Xu and Gesine Reinert
Abstract要約: 交換可能な指数的ランダムグラフモデルに対する適合試験手法の新たな非パラメトリック良性を提案し,解析する。このテストは、ターゲットの非正規化ERGM密度から観測が生成される確率を決定する。
参考スコア（独自算出の注目度）: 5.885020100736158
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose and analyse a novel nonparametric goodness of fit testing procedure for exchangeable exponential random graph models (ERGMs) when a single network realisation is observed. The test determines how likely it is that the observation is generated from a target unnormalised ERGM density. Our test statistics are derived from a kernel Stein discrepancy, a divergence constructed via Steins method using functions in a reproducing kernel Hilbert space, combined with a discrete Stein operator for ERGMs. The test is a Monte Carlo test based on simulated networks from the target ERGM. We show theoretical properties for the testing procedure for a class of ERGMs. Simulation studies and real network applications are presented.
Abstract（参考訳）: 交換可能な指数ランダムグラフモデル (ERGM) に対する適合性試験手順の新規な非パラメトリック性について, 単一のネットワーク実現が観察されたときに提案し, 分析する。このテストは、ターゲットの非正規化ERGM密度から観測が生成される確率を決定する。私たちのテスト統計は、Stein法で構築されたカーネルHilbert空間内の関数とERGMのための離散的なStein演算子を結合して構築されたカーネルStein不一致から導かれる。テストは、ターゲットのergmによるシミュレーションネットワークに基づくモンテカルロテストである。 ERGMのクラスに対する試験手順に関する理論的特性を示す。シミュレーション研究と実ネットワーク応用について述べる。

関連論文リスト

A Kernel-Based Conditional Two-Sample Test Using Nearest Neighbors (with Applications to Calibration, Regression Curves, and Simulation-Based Inference) [3.622435665395788]
本稿では,2つの条件分布の違いを検出するカーネルベースの尺度を提案する。 2つの条件分布が同じである場合、推定はガウス極限を持ち、その分散はデータから容易に推定できる単純な形式を持つ。また、条件付き適合性問題に適用可能な推定値を用いた再サンプリングベースのテストも提供する。
論文参考訳（メタデータ） (2024-07-23T15:04:38Z)
SteinGen: Generating Fidelitous and Diverse Graph Samples [11.582357781579997]
我々はSteinGenを導入し、観測された1つのグラフからグラフを生成する。我々は,SteinGenが,サンプルの多様性と組み合わせて,元のデータに高い分布類似性(高忠実度)をもたらすことを示す。
論文参考訳（メタデータ） (2024-03-27T13:59:05Z)
On RKHS Choices for Assessing Graph Generators via Kernel Stein Statistics [8.987015146366216]
ランダムネットワークモデルのKSDテストにおけるRKHS選択の効果を評価する。本研究では,異なるシナリオにおけるテストのパワーパフォーマンスと計算実行時間について検討する。
論文参考訳（メタデータ） (2022-10-11T19:23:33Z)
A Fourier representation of kernel Stein discrepancy with application to Goodness-of-Fit tests for measures on infinite dimensional Hilbert spaces [6.437931786032493]
Kernel Stein discrepancy (KSD) は、確率測度間の差異のカーネルベースの尺度である。我々は、分離可能なヒルベルト空間に横たわるデータの一般性において、KSDを初めて解析する。これにより、KSDが測定を分離できることを証明できるので、実際は有効である。
論文参考訳（メタデータ） (2022-06-09T15:04:18Z)
Nonparametric Conditional Local Independence Testing [69.31200003384122]
条件付き局所独立は、連続的な時間プロセス間の独立関係である。条件付き地域独立の非パラメトリックテストは行われていない。二重機械学習に基づく非パラメトリックテストを提案する。
論文参考訳（メタデータ） (2022-03-25T10:31:02Z)
Composite Goodness-of-fit Tests with Kernels [19.744607024807188]
本稿では,難解な複合テスト問題に対するカーネルベースの仮説テストを提案する。実験では,最小距離推定器を用いて,最大平均誤差とカーネルのStein誤差を推定した。主な結果として、パラメータを推定し、正しいテストレベルを維持しながら、同じデータ上でテストを実行することができることを示す。
論文参考訳（メタデータ） (2021-11-19T15:25:06Z)
Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文参考訳（メタデータ） (2021-11-15T09:08:27Z)
Deterministic Gibbs Sampling via Ordinary Differential Equations [77.42706423573573]
本稿では,自律的ODEとツールを用いた決定論的測度保存ダイナミクスの一般構築について述べる。我々は、ハイブリッドモンテカルロや他の決定論的サンプルが、我々の理論の特別な場合としてどのように従うかを示す。
論文参考訳（メタデータ） (2021-06-18T15:36:09Z)
Continual Learning with Fully Probabilistic Models [70.3497683558609]
機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2021-04-19T12:26:26Z)
Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文参考訳（メタデータ） (2021-02-12T12:23:13Z)
Uncertainty Inspired RGB-D Saliency Detection [70.50583438784571]
本稿では,データラベリングプロセスから学習することで,RGB-D値検出の不確実性を利用した最初のフレームワークを提案する。そこで本研究では,確率的RGB-Dサリエンシ検出を実現するために,サリエンシデータラベリングプロセスにインスパイアされた生成アーキテクチャを提案する。 6つの挑戦的RGB-Dベンチマークデータセットの結果から,サリエンシマップの分布を学習する際のアプローチの優れた性能が示された。
論文参考訳（メタデータ） (2020-09-07T13:01:45Z)

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。