Fugu-MT 論文翻訳(概要): Copula-Based Normalizing Flows

論文の概要: Copula-Based Normalizing Flows

arxiv url: http://arxiv.org/abs/2107.07352v1
Date: Thu, 15 Jul 2021 14:22:28 GMT
ステータス: 処理完了
システム内更新日: 2021-07-16 19:14:28.885302
Title: Copula-Based Normalizing Flows
Title（参考訳）: コプラに基づく正規化流れ
Authors: Mike Laszkiewicz, Johannes Lederer, Asja Fischer
Abstract要約: ベース分布をより精巧なコプラ分布に一般化し、ターゲット分布の特性をより正確に捉える。以上の結果から,学習フローの局所的なリプシッツ安定性の向上が示唆された。
参考スコア（独自算出の注目度）: 8.894004971395546
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Normalizing flows, which learn a distribution by transforming the data to samples from a Gaussian base distribution, have proven powerful density approximations. But their expressive power is limited by this choice of the base distribution. We, therefore, propose to generalize the base distribution to a more elaborate copula distribution to capture the properties of the target distribution more accurately. In a first empirical analysis, we demonstrate that this replacement can dramatically improve the vanilla normalizing flows in terms of flexibility, stability, and effectivity for heavy-tailed data. Our results suggest that the improvements are related to an increased local Lipschitz-stability of the learned flow.
Abstract（参考訳）: 正規化フローは、データをガウス基底分布からサンプルに変換することで分布を学習し、強力な密度近似が証明されている。しかし、その表現力は基底分布の選択によって制限される。そこで本研究では,より精巧なコプラ分布にベース分布を一般化し,ターゲット分布の特性をより正確に捉えることを提案する。最初の実証分析では、重み付きデータの柔軟性、安定性、効果率の観点からバニラ正規化フローを劇的に改善できることが示されている。以上の結果から,学習フローの局所的なリプシッツ安定性の向上が示唆された。

関連論文リスト

Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
本報告では,明示的な次元の一般スコアミスマッチ拡散サンプリング器を用いた最初の性能保証について述べる。その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
論文参考訳（メタデータ） (2024-10-17T16:42:12Z)
Uncertainty Quantification via Stable Distribution Propagation [60.065272548502]
本稿では,ニューラルネットワークによる安定確率分布の伝播手法を提案する。提案手法は局所線形化に基づいており,ReLU非線型性に対する全変動距離の近似値として最適であることを示す。
論文参考訳（メタデータ） (2024-02-13T09:40:19Z)
Tensorizing flows: a tool for variational inference [0.0]
本稿では,ガウス参照をテンソルネットワークを介して構築した参照分布に置き換える正規化フローの拡張を提案する。本研究では, 複雑な変分推論タスクにおいて, フローとテンソルネットワークを組み合わせることで, どちらか一方のツールを使わずに得られる結果を改善することができることを示す。
論文参考訳（メタデータ） (2023-05-03T23:42:22Z)
Flow Away your Differences: Conditional Normalizing Flows as an Improvement to Reweighting [0.0]
本稿では, 条件分布の所望の変化を考慮に入れた再重み付け手法の代替手法を提案する。条件付き正規化フローを用いて、完全条件付き確率分布を学習する。この例では、ソースとターゲットの分布を同一のサンプルサイズで再重み付けする手法よりも、統計精度が最大3倍に向上する。
論文参考訳（メタデータ） (2023-04-28T16:33:50Z)
ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
論文参考訳（メタデータ） (2022-08-18T16:07:59Z)
Marginal Tail-Adaptive Normalizing Flows [15.732950126814089]
本稿では,尾の挙動を正確に捉えるための流れの正規化能力の向上に焦点をあてる。自己回帰流の限界尾化性は,その基底分布の限界尾化性によって制御可能であることを証明した。実験分析により,提案手法は,特に分布の尾部における精度を向上し,重み付きデータを生成可能であることが示された。
論文参考訳（メタデータ） (2022-06-21T12:34:36Z)
Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文参考訳（メタデータ） (2022-02-23T06:11:49Z)
Resampling Base Distributions of Normalizing Flows [0.0]
学習された拒絶サンプリングに基づいて,フローを正規化するためのベース分布を導入する。ログライクリフの最大化と逆Kulback-Leibler分散の最適化の両方を用いて、適切な学習アルゴリズムを開発する。
論文参考訳（メタデータ） (2021-10-29T14:44:44Z)
Gaussianization Flows [113.79542218282282]
そこで本研究では,サンプル生成における効率のよい繰り返しと効率のよい逆変換を両立できる新しい型正規化フローモデルを提案する。この保証された表現性のため、サンプル生成の効率を損なうことなく、マルチモーダルなターゲット分布をキャプチャできる。
論文参考訳（メタデータ） (2020-03-04T08:15:06Z)
Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
論文参考訳（メタデータ） (2020-02-20T15:13:27Z)

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。