Fugu-MT 論文翻訳(概要): A Closed-Form Approximation to the Conjugate Prior of the Dirichlet and Beta Distributions

論文の概要: A Closed-Form Approximation to the Conjugate Prior of the Dirichlet and Beta Distributions

arxiv url: http://arxiv.org/abs/2107.03183v1
Date: Wed, 7 Jul 2021 12:32:29 GMT
ステータス: 翻訳完了
システム内更新日: 2021-07-08 14:10:58.289173
Title: A Closed-Form Approximation to the Conjugate Prior of the Dirichlet and Beta Distributions
Title（参考訳）: ディリクレおよびベータ分布以前の共役に対する閉形式近似
Authors: Kaspar Thommen
Abstract要約: ディリクレ分布とベータ分布の前に共役を導出し、数値的な例でそれを探索する。先行の難易度から, 閉形式近似を定義し, 解析する。この近似を実装したアルゴリズムにより、完全トラクタブルベイズ共役によるディリクレとベータ確率の処理が可能となる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We derive the conjugate prior of the Dirichlet and beta distributions and explore it with numerical examples to gain an intuitive understanding of the distribution itself, its hyperparameters, and conditions concerning its convergence. Due to the prior's intractability, we proceed to define and analyze a closed-form approximation. Finally, we provide an algorithm implementing this approximation that enables fully tractable Bayesian conjugate treatment of Dirichlet and beta likelihoods without the need for Monte Carlo simulations.
Abstract（参考訳）: ディリクレ分布とベータ分布の前に共役を導出し、数値的な例でそれを探索し、分布自身とそのハイパーパラメータとその収束に関する条件を直感的に理解する。前者の可算性のため、我々は閉形式近似を定義して解析する。最後に,この近似を実装したアルゴリズムにより,モンテカルロシミュレーションを必要とせず,ジリクレのベイズ共役処理とベータ確率の処理が可能となる。

関連論文リスト

Gaussian and Bootstrap Approximation for Matching-based Average Treatment Effect Estimators [12.818275315985971]
ガウス近似の精度に及ぼすマッチ数や処理バランスなどの重要な問題パラメータの影響を定量化する。我々の研究は、一般的に使われているATE推定器の新たな理論的枠組みを導入するだけでなく、漸近的に有効な信頼区間を構築するためのデータ駆動手法も提供する。
論文参考訳（メタデータ） (2024-12-22T22:47:31Z)
Online Posterior Sampling with a Diffusion Prior [20.24212000441531]
ガウス事前の文脈的包帯における後方サンプリングは、ラプラス近似を用いて正確にあるいはほぼ実施することができる。そこで本研究では,拡散モデルを用いた文脈帯域に対する近似的な後方サンプリングアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-10-04T20:47:16Z)
Analytical Approximation of the ELBO Gradient in the Context of the Clutter Problem [0.0]
変分推論問題におけるエビデンス下界(ELBO)の勾配を近似する解析解を提案する。提案手法は線形計算複雑性とともに精度と収束率を示す。
論文参考訳（メタデータ） (2024-04-16T13:19:46Z)
Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文参考訳（メタデータ） (2024-01-29T02:08:40Z)
On diffusion-based generative models and their error bounds: The log-concave case with full convergence estimates [5.13323375365494]
我々は,強い対数対数データの下での拡散に基づく生成モデルの収束挙動を理論的に保証する。スコア推定に使用される関数のクラスは、スコア関数上のリプシッツネスの仮定を避けるために、リプシッツ連続関数からなる。この手法はサンプリングアルゴリズムにおいて最もよく知られた収束率をもたらす。
論文参考訳（メタデータ） (2023-11-22T18:40:45Z)
Sharp Deviations Bounds for Dirichlet Weighted Sums with Application to analysis of Bayesian algorithms [30.310960863405267]
ディリクレ確率変数の重み付け和に対する鋭い非漸近偏差境界を導出する。これらの境界は、重み付きディリクレ和の密度の新たな積分表現に基づいている。
論文参考訳（メタデータ） (2023-04-06T13:15:51Z)
Min-Max Optimization Made Simple: Approximating the Proximal Point Method via Contraction Maps [77.8999425439444]
本稿では,凸/凹凸 min-max 問題に対して,ほぼ最適収束率を許容する一階法を提案する。我々の研究は、近点法の更新規則を精度良く近似できるという事実に基づいている。
論文参考訳（メタデータ） (2023-01-10T12:18:47Z)
A Concentration Bound for Distributed Stochastic Approximation [0.0]
我々は、Tsitsiklis, Bertsekas, Athansの古典的モデルを再検討し、コンセンサスによる分散近似について検討する。主な結果は、ODEアプローチを用いたこのスキームの解析であり、適切な繰り返しのトラッキングエラーに対して高い確率でバウンドされる。
論文参考訳（メタデータ） (2022-10-09T13:00:32Z)
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)
Pathwise Conditioning of Gaussian Processes [72.61885354624604]
ガウス過程後部をシミュレーションするための従来のアプローチでは、有限個の入力位置のプロセス値の限界分布からサンプルを抽出する。この分布中心の特徴づけは、所望のランダムベクトルのサイズで3次スケールする生成戦略をもたらす。条件付けのこのパスワイズ解釈が、ガウス過程の後部を効率的にサンプリングするのに役立てる近似の一般族をいかに生み出すかを示す。
論文参考訳（メタデータ） (2020-11-08T17:09:37Z)
The Convergence Indicator: Improved and completely characterized parameter bounds for actual convergence of Particle Swarm Optimization [68.8204255655161]
我々は、粒子が最終的に単一点に収束するか、分岐するかを計算するのに使用できる新しい収束指標を導入する。この収束指標を用いて、収束群につながるパラメータ領域を完全に特徴づける実際の境界を提供する。
論文参考訳（メタデータ） (2020-06-06T19:08:05Z)
A Distributional Analysis of Sampling-Based Reinforcement Learning Algorithms [67.67377846416106]
定常ステップサイズに対する強化学習アルゴリズムの理論解析に対する分布的アプローチを提案する。本稿では,TD($lambda$)や$Q$-Learningのような値ベースの手法が,関数の分布空間で制約のある更新ルールを持つことを示す。
論文参考訳（メタデータ） (2020-03-27T05:13:29Z)

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。