論文の概要: Mixture Density Network Estimation of Continuous Variable Maximum
Likelihood Using Discrete Training Samples
- arxiv url: http://arxiv.org/abs/2103.13416v1
- Date: Wed, 24 Mar 2021 18:02:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-27 03:55:21.118415
- Title: Mixture Density Network Estimation of Continuous Variable Maximum
Likelihood Using Discrete Training Samples
- Title(参考訳): 離散学習サンプルを用いた連続変数最大確率の混合密度ネットワーク推定
- Authors: Charles Burton, Spencer Stubbs, Peter Onyisi
- Abstract要約: 混合密度ネットワーク(MDN)は、観測変数の集合が与えられたモデルパラメータ$boldsymboltheta$の確率密度関数を生成するために用いられる。
パラメータ推定におけるmdnsの利用を実証し,バイアスの起源を議論し,各問題に対する修正手法を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mixture Density Networks (MDNs) can be used to generate probability density
functions of model parameters $\boldsymbol{\theta}$ given a set of observables
$\mathbf{x}$. In some applications, training data are available only for
discrete values of a continuous parameter $\boldsymbol{\theta}$. In such
situations a number of performance-limiting issues arise which can result in
biased estimates. We demonstrate the usage of MDNs for parameter estimation,
discuss the origins of the biases, and propose a corrective method for each
issue.
- Abstract(参考訳): 混合密度ネットワーク (mdns) はモデルパラメータの確率密度関数 $\boldsymbol{\theta}$ を生成するのに使うことができる。
一部のアプリケーションでは、トレーニングデータは連続パラメータ $\boldsymbol{\theta}$ の離散値に対してのみ利用可能である。
このような状況では、多くのパフォーマンス制限問題が発生し、バイアスのある見積もりが生じる。
パラメータ推定におけるmdnsの利用を実証し,バイアスの起源を議論し,各問題に対する修正手法を提案する。
関連論文リスト
- Robust Multi-Modal Density Estimation [15.710668205424446]
密度推定のための非パラメトリック手法であるRObust Multi-modal density Estimatorを提案する。
ROMEはマルチモーダル分布、非正規分布、高相関分布の推定という課題に対処する。
以上の結果から,ROMEは,他の推定者による過度な適合性や過度なスムース化の問題を克服できることが示唆された。
論文 参考訳(メタデータ) (2024-01-19T09:10:58Z) - Probabilistic Classification by Density Estimation Using Gaussian
Mixture Model and Masked Autoregressive Flow [1.3706331473063882]
データ分布を推定する密度推定は確率論的機械学習の重要なカテゴリである。
本稿では,密度推定器を用いて分類するが,データの分布を推定するためによく用いられる。
我々は,GMMとMAFを用いて,密度推定によるデータクラスの可能性のモデル化を行う。
論文 参考訳(メタデータ) (2023-10-16T21:37:22Z) - Anomaly Detection with Variance Stabilized Density Estimation [67.96748304066827]
密度推定に基づく異常検出スキームは、通常、低密度領域に存在する異常をモデル化する。
修正された密度推定問題を提案し,その異常検出の有効性を実証する。
論文 参考訳(メタデータ) (2023-06-01T11:52:58Z) - On the Dynamics of Inference and Learning [0.0]
本稿では,このベイズ更新過程を連続力学系として扱う。
クラムラーラオ境界が飽和すると、学習率は単純な1/T$パワーローによって制御されることを示す。
論文 参考訳(メタデータ) (2022-04-19T18:04:36Z) - NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural
Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。
種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文 参考訳(メタデータ) (2022-02-07T12:30:45Z) - 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) - $(f,\Gamma)$-Divergences: Interpolating between $f$-Divergences and
Integral Probability Metrics [6.221019624345409]
我々は、$f$-divergences と積分確率メトリクス(IPMs)の両方を仮定する情報理論の分岐を構築するためのフレームワークを開発する。
2段階の質量再分配/物質輸送プロセスとして表現できることが示される。
統計的学習を例として,重み付き,絶対連続的なサンプル分布に対するGAN(generative adversarial network)の訓練において,その優位性を示す。
論文 参考訳(メタデータ) (2020-11-11T18:17:09Z) - A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。
基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文 参考訳(メタデータ) (2020-02-21T23:10:50Z) - Stochastic Normalizing Flows [52.92110730286403]
微分方程式(SDE)を用いた最大推定と変分推論のための正規化フロー(VI)を導入する。
粗い経路の理論を用いて、基礎となるブラウン運動は潜在変数として扱われ、近似され、神経SDEの効率的な訓練を可能にする。
これらのSDEは、与えられたデータセットの基盤となる分布からサンプリングする効率的なチェーンを構築するために使用することができる。
論文 参考訳(メタデータ) (2020-02-21T20:47:55Z) - Posterior Ratio Estimation of Latent Variables [14.619879849533662]
いくつかのアプリケーションでは、観測から無視される確率変数の分布を比較したい。
潜在変数の2つの後続確率密度関数の比を推定する問題について検討する。
論文 参考訳(メタデータ) (2020-02-15T16:46:42Z) - Algebraic and Analytic Approaches for Parameter Learning in Mixture
Models [66.96778152993858]
1次元の混合モデルにおけるパラメータ学習のための2つの異なるアプローチを提案する。
これらの分布のいくつかについては、パラメータ推定の最初の保証を示す。
論文 参考訳(メタデータ) (2020-01-19T05:10:56Z)
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。