論文の概要: Expectation Programming

• arxiv url: http://arxiv.org/abs/2106.04953v1
• Date: Wed, 9 Jun 2021 09:57:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-11 02:10:23.751564
• Title: Expectation Programming
• Title（参考訳）: 期待プログラミング
• Authors: Tim Reichelt, Adam Goli\'nski, Luke Ong, Tom Rainforth
• Abstract要約: 本稿では,期待の計算を自動化する期待プログラミングフレームワーク(EPF)の概念を紹介する。 EPFにおける推論エンジンの焦点は、プログラムの戻り値の期待結果を直接見積もることである。 本研究は, 従来の後部推定法と比較して, 有意な改善がみられたことを示唆する。
• 参考スコア（独自算出の注目度）: 13.439099770154952
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Building on ideas from probabilistic programming, we introduce the concept of an expectation programming framework (EPF) that automates the calculation of expectations. Analogous to a probabilistic program, an expectation program is comprised of a mix of probabilistic constructs and deterministic calculations that define a conditional distribution over its variables. However, the focus of the inference engine in an EPF is to directly estimate the resulting expectation of the program return values, rather than approximate the conditional distribution itself. This distinction allows us to achieve substantial performance improvements over the standard probabilistic programming pipeline by tailoring the inference to the precise expectation we care about. We realize a particular instantiation of our EPF concept by extending the probabilistic programming language Turing to allow so-called target-aware inference to be run automatically, and show that this leads to significant empirical gains compared to conventional posterior-based inference.
• Abstract（参考訳）: 確率的プログラミングのアイデアに基づいて,期待の計算を自動化する予測プログラミングフレームワーク(EPF)の概念を導入する。 確率的プログラムに類似して、予測プログラムは確率的構成と変数上の条件分布を定義する決定論的計算の混合からなる。 しかし、EPFにおける推論エンジンの焦点は、条件分布自体を近似するのではなく、プログラムの戻り値の期待結果を直接見積もることである。 この区別により、私たちが関心を持っている正確な期待に合わせた推論をすることで、標準的な確率的プログラミングパイプラインよりも大幅にパフォーマンスが向上します。 確率型プログラミング言語 Turing を拡張して,EPF の概念の特定のインスタンス化を実現し,いわゆるターゲット認識推論を自動実行可能にする。

関連論文リスト

• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Creating Probabilistic Forecasts from Arbitrary Deterministic Forecasts using Conditional Invertible Neural Networks [0.19573380763700712]
  我々は、条件付き可逆ニューラルネットワーク(cINN)を用いて、データの基盤となる分布を学習し、この分布からの不確実性を任意の決定論的予測と組み合わせる。 我々のアプローチは、複雑な統計的損失関数やさらなる仮定を伴わずに、確率的予測を簡単に作成できる。
  論文  参考訳（メタデータ） (2023-02-03T15:11:39Z)
• Distributional Gradient Boosting Machines [77.34726150561087]
  私たちのフレームワークはXGBoostとLightGBMをベースにしています。 我々は,このフレームワークが最先端の予測精度を実現することを示す。
  論文  参考訳（メタデータ） (2022-04-02T06:32:19Z)
• flip-hoisting: Exploiting Repeated Parameters in Discrete Probabilistic Programs [25.320181572646135]
  本稿では、離散確率的プログラムにおいて繰り返しパラメータを分解し、推論性能を向上させるプログラム解析とそれに伴う最適化について述べる。 既存の確率型プログラミング言語でフリップホスティングを実装し,推論性能が著しく向上することを示す。
  論文  参考訳（メタデータ） (2021-10-19T22:04:26Z)
• Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic Regression [51.770998056563094]
  PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。 既存の最先端手法と比較してPGBMの利点を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-03T08:32:13Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• SPPL: Probabilistic Programming with Fast Exact Symbolic Inference [2.371061885439857]
  Sum-Product Probabilistic Language (SPPL)は、幅広い確率的推論クエリに対して正確なソリューションを提供する。 SPPLは確率的プログラムを、新しい記号表現と関連する意味領域である要約生成表現に変換する。 モジュールアーキテクチャでSPPLのプロトタイプを実装し,システム対象のベンチマークで評価する。
  論文  参考訳（メタデータ） (2020-10-07T15:42:37Z)
• Evaluating probabilistic classifiers: Reliability diagrams and score decompositions revisited [68.8204255655161]
  確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。 コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
  論文  参考訳（メタデータ） (2020-08-07T08:22:26Z)
• Stochastic Probabilistic Programs [1.90365714903665]
  本稿では,確率的プログラムの概念を導入し,プログラムの仕様と推論を支援する確率的プログラミング施設のリファレンス実装を提案する。 確率プログラムのいくつかの例を示し、モデル仕様と推論の観点から、決定論的確率プログラムと対応する決定論的確率プログラムを比較した。
  論文  参考訳（メタデータ） (2020-01-08T17:54:40Z)

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。