論文の概要: Notes on Generalizing the Maximum Entropy Principle to Uncertain Data

• arxiv url: http://arxiv.org/abs/2109.04530v1
• Date: Thu, 9 Sep 2021 19:43:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-14 04:11:12.019997
• Title: Notes on Generalizing the Maximum Entropy Principle to Uncertain Data
• Title（参考訳）: 不確実データに対する最大エントロピー原理の一般化に関する一考察
• Authors: Kenneth Bogert
• Abstract要約: 最大エントロピーの原理を最小限の情報量で計算する。 本手法は最大エントロピーと潜在最大エントロピーの原理を一般化することを示す。 限られたデータの場合、特徴期待制約にエラー項を追加するための一般的な正則化手法について論じる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The principle of maximum entropy is a broadly applicable technique for computing a distribution with the least amount of information possible while commonly constrained to match empirically estimated feature expectations. We seek to generalize this principle to scenarios where the empirical feature expectations cannot be computed because the model variables are only partially observed, which introduces a dependency on the learned model. Extending and generalizing the principle of latent maximum entropy, we introduce uncertain maximum entropy and describe an expectation-maximization based solution to approximately solve these problems. We show that our technique generalizes the principle of maximum entropy and latent maximum entropy and discuss a generally applicable regularization technique for adding error terms to feature expectation constraints in the event of limited data.
• Abstract（参考訳）: 最大エントロピーの原理(英: principle of maximum entropy)は、最も少ない情報量で分布を計算するための広く適用可能な手法である。 この原理を、モデル変数が部分的にのみ観察されるため、経験的特徴期待が計算できないシナリオに一般化し、学習モデルへの依存性を導入することを目指している。 潜在最大エントロピーの原理を拡張し一般化し、不確実な最大エントロピーを導入し、これらの問題を概ね解くために期待最大化に基づく解を記述する。 本手法は,最大エントロピーと潜在最大エントロピーの原理を一般化し,限られたデータに対して特徴的期待制約に誤差項を追加する一般的な正規化手法について考察する。

関連論文リスト

• Asymptotically Optimal Change Detection for Unnormalized Pre- and Post-Change Distributions [65.38208224389027]
  本稿では,非正規化前および後の変化分布のみがアクセス可能である場合にのみ,変化を検出する問題に対処する。 提案手法は,最適性能を示すことが知られている累積サム統計量の推定に基づく。
  論文  参考訳（メタデータ） (2024-10-18T17:13:29Z)
• The Limits of Pure Exploration in POMDPs: When the Observation Entropy is Enough [40.82741665804367]
  そこで本研究では,観測上のエントロピーを最大化するための簡単なアプローチについて検討する。 観測エントロピーの正規化を計算し、原理的性能を向上させるために、後者の知識をどのように活用できるかを示す。
  論文  参考訳（メタデータ） (2024-06-18T17:00:13Z)
• The Principle of Uncertain Maximum Entropy [0.0]
  古典原理を一般化し、解釈可能な解を提供する不確実な最大エントロピーと呼ばれる新しい原理を提案する。 我々は新しい原理の解を見つけるために凸近似と期待最大化に基づくアルゴリズムを導入する。
  論文  参考訳（メタデータ） (2023-05-17T00:45:41Z)
• IRL with Partial Observations using the Principle of Uncertain Maximum Entropy [8.296684637620553]
  我々は、不確実な最大エントロピーの原理を導入し、期待最大化に基づく解を示す。 我々は,最大因果エントロピー逆強化学習領域において,ノイズデータに対する頑健性の改善を実験的に実証した。
  論文  参考訳（メタデータ） (2022-08-15T03:22:46Z)
• Entropy-based Characterization of Modeling Constraints [0.0]
  ほとんどのデータ科学的アプローチでは、エントロピー(MaxEnt)の原理はパラメトリックモデルを正当化するために用いられる。 与えられた制約の集合を満たすすべての実効的な分布の分布を導出する。 データによって支えられる適切なパラメトリックモデルは、常にモデル選択の最後に導出することができる。
  論文  参考訳（メタデータ） (2022-06-27T17:25:49Z)
• Maximum entropy quantum state distributions [58.720142291102135]
  我々は、保存された量の完全な分布に関する伝統的な熱力学と条件を超える。 その結果、熱状態からの偏差が広い入力分布の極限でより顕著になる量子状態分布が得られた。
  論文  参考訳（メタデータ） (2022-03-23T17:42:34Z)
• Tight Exponential Analysis for Smoothing the Max-Relative Entropy and for Quantum Privacy Amplification [56.61325554836984]
  最大相対エントロピーとその滑らかなバージョンは、量子情報理論の基本的な道具である。 我々は、精製された距離に基づいて最大相対エントロピーを滑らかにする量子状態の小さな変化の崩壊の正確な指数を導出する。
  論文  参考訳（メタデータ） (2021-11-01T16:35:41Z)
• Maximum Entropy Reinforcement Learning with Mixture Policies [54.291331971813364]
  MaxEntアルゴリズムを用いて混合エントロピーのトラクタブル近似を構築する。 我々は、それが限界エントロピーの合計と密接に関連していることを示しています。 我々は, 混合ポリシーケースに対するsoft actor-critic (sac) のアルゴリズム的変種を導出し, 一連の連続制御タスクで評価する。
  論文  参考訳（メタデータ） (2021-03-18T11:23:39Z)
• Generalized Maximum Entropy for Supervised Classification [26.53901315716557]
  最大エントロピー原理は、エントロピーを最大化する分布を用いて事象の確率を評価することを提唱している。 本稿では,一般化最大エントロピー原理に基づく教師付き分類の枠組みを確立する。
  論文  参考訳（メタデータ） (2020-07-10T15:41:17Z)
• A maximum-entropy approach to off-policy evaluation in average-reward MDPs [54.967872716145656]
  この研究は、無限水平非カウントマルコフ決定過程(MDPs)における関数近似を伴うオフ・ポリティ・アセスメント(OPE)に焦点を当てる。 提案手法は,第1の有限サンプル OPE 誤差境界であり,既存の結果がエピソードおよびディスカウントケースを超えて拡張される。 この結果から,教師あり学習における最大エントロピー的アプローチを並列化して,十分な統計値を持つ指数関数型家族分布が得られた。
  論文  参考訳（メタデータ） (2020-06-17T18:13:37Z)
• Polynomial-Time Exact MAP Inference on Discrete Models with Global Dependencies [83.05591911173332]
  ジャンクションツリーアルゴリズムは、実行時の保証と正確なMAP推論のための最も一般的な解である。 本稿では,ノードのクローン化による新たなグラフ変換手法を提案する。
  論文  参考訳（メタデータ） (2019-12-27T13:30:29Z)

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。

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。