論文の概要: Bayesian Kernelised Test of (In)dependence with Mixed-type Variables

• arxiv url: http://arxiv.org/abs/2105.04001v1
• Date: Sun, 9 May 2021 19:21:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-11 15:16:06.564737
• Title: Bayesian Kernelised Test of (In)dependence with Mixed-type Variables
• Title（参考訳）: 混合型変数を持つ(In)依存性のベイズカーネル化試験
• Authors: Alessio Benavoli and Cassio de Campos
• Abstract要約: AIの基本課題は、混合型変数(テキスト、画像、音声)間の(独立性)を評価することである。 Dirichletプロセスモデルを用いた(in)依存性のベイジアンカーネル化相関テストを提案する。 このアプローチの特性と、高速な計算のためのアルゴリズムを示します。
• 参考スコア（独自算出の注目度）: 1.2691047660244332
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A fundamental task in AI is to assess (in)dependence between mixed-type variables (text, image, sound). We propose a Bayesian kernelised correlation test of (in)dependence using a Dirichlet process model. The new measure of (in)dependence allows us to answer some fundamental questions: Based on data, are (mixed-type) variables independent? How likely is dependence/independence to hold? How high is the probability that two mixed-type variables are more than just weakly dependent? We theoretically show the properties of the approach, as well as algorithms for fast computation with it. We empirically demonstrate the effectiveness of the proposed method by analysing its performance and by comparing it with other frequentist and Bayesian approaches on a range of datasets and tasks with mixed-type variables.
• Abstract（参考訳）: AIの基本課題は、混合型変数(テキスト、画像、音声)間の(独立性)を評価することである。 本稿では,ディリクレ過程モデルを用いた(in)依存性のベイズ核化相関テストを提案する。 データに基づいて、(混合型)変数は独立しているか? 依存/依存の確率はどのくらいか? 2つの混合型変数が単に弱依存以上である確率はどのくらい高いか? 理論的には,提案手法の特性と,それを用いた高速計算アルゴリズムを示す。 提案手法の有効性を,その性能を解析し,混合型変数を用いたデータセットやタスクについて,他の頻度主義的手法やベイズ的手法と比較することにより実証的に実証する。

関連論文リスト

• Local Learning for Covariate Selection in Nonparametric Causal Effect Estimation with Latent Variables [13.12743473333296]
  非実験データから因果効果を推定することは、科学の多くの分野における根本的な問題である。 非パラメトリック因果効果推定における共変量選択のための新しい局所学習手法を提案する。 我々は、合成データと実世界のデータの両方に関する広範な実験を通じて、アルゴリズムを検証する。
  論文  参考訳（メタデータ） (2024-11-25T12:08:54Z)
• Estimation of mutual information via quantum kernel method [0.0]
  相互情報(MI)の推定は,複数の確率変数間の関係を非線形相関で調査する上で重要な役割を担っている。 本稿では,量子カーネルを用いた相互情報推定手法を提案する。
  論文  参考訳（メタデータ） (2023-10-19T00:53:16Z)
• 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)
• Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
  多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。 提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
  論文  参考訳（メタデータ） (2021-06-07T17:44:49Z)
• Counterfactual Invariance to Spurious Correlations: Why and How to Pass Stress Tests [87.60900567941428]
  素早い相関」とは、アナリストが重要とすべきでないと考える入力データのある側面に対するモデルの依存である。 機械学習では、これらにはノウ・イ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ」という特徴がある。 因果推論ツールを用いたストレステストについて検討した。
  論文  参考訳（メタデータ） (2021-05-31T14:39:38Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)
• Inferring Causal Direction from Observational Data: A Complexity Approach [0.3553493344868413]
  離散確率変数と連続確率変数のペアにおける原因と効果を区別するためのいくつかの基準を提案する。 本研究では,幅広い因果的メカニズムとノイズの種類に基づいて生成した合成データの基準値の精度を示す。
  論文  参考訳（メタデータ） (2020-10-12T12:10:37Z)
• A Nonparametric Test of Dependence Based on Ensemble of Decision Trees [0.0]
  提案した係数は、観測されたサンプルS_n : (X_i, Y_i), i = 1の量を定量化する置換様統計量である。 n は置換標本 S_nn : (X_i, Y_j) i, j = 1 から判別可能である。 2つの変数が独立している。
  論文  参考訳（メタデータ） (2020-07-24T02:48:33Z)
• Neural Methods for Point-wise Dependency Estimation [129.93860669802046]
  我々は,2つの結果が共起する確率を定量的に測定する点依存度(PD)の推定に焦点をあてる。 提案手法の有効性を,1)MI推定,2)自己教師付き表現学習,3)クロスモーダル検索タスクで示す。
  論文  参考訳（メタデータ） (2020-06-09T23:26:15Z)
• Stable Prediction via Leveraging Seed Variable [73.9770220107874]
  従来の機械学習手法は、非因果変数によって誘導されるトレーニングデータにおいて、微妙に刺激的な相関を利用して予測する。 本研究では, 条件付き独立性テストに基づくアルゴリズムを提案し, 種子変数を先行変数とする因果変数を分離し, 安定な予測に採用する。 我々のアルゴリズムは、安定した予測のための最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-06-09T06:56:31Z)

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。