論文の概要: Deep Neyman-Scott Processes

• arxiv url: http://arxiv.org/abs/2111.03949v1
• Date: Sat, 6 Nov 2021 19:47:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-09 15:02:58.805566
• Title: Deep Neyman-Scott Processes
• Title（参考訳）: Deep Neyman-Scottプロセス
• Authors: Chengkuan Hong, Christian R. Shelton
• Abstract要約: 我々は、ネットワークの構築コンポーネントがすべてプロセスである深いNeyman-Scottプロセスを考えます。 我々はマルコフ連鎖モンテカルロによる効率的な後方サンプリングを開発し、確率に基づく推論に利用する。 実験では、より隠されたプロセスが、潜在的な適合性やイベントタイプの予測により良いパフォーマンスをもたらすことを示した。
• 参考スコア（独自算出の注目度）: 3.3123634393237706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A Neyman-Scott process is a special case of a Cox process. The latent and observable stochastic processes are both Poisson processes. We consider a deep Neyman-Scott process in this paper, for which the building components of a network are all Poisson processes. We develop an efficient posterior sampling via Markov chain Monte Carlo and use it for likelihood-based inference. Our method opens up room for the inference in sophisticated hierarchical point processes. We show in the experiments that more hidden Poisson processes brings better performance for likelihood fitting and events types prediction. We also compare our method with state-of-the-art models for temporal real-world datasets and demonstrate competitive abilities for both data fitting and prediction, using far fewer parameters.
• Abstract（参考訳）: Neyman-Scottプロセスは、Coxプロセスの特別なケースである。 潜在および観測可能な確率過程はどちらもポアソン過程である。 本稿では,ネットワーク構築コンポーネントがすべてPoissonプロセスであるNeyman-Scottプロセスについて考察する。 我々はマルコフ連鎖モンテカルロによる効率的な後方サンプリングを開発し、確率に基づく推論に利用する。 本手法は,高度階層的プロセスにおける推論の余地を開放する。 実験では、より隠れたpoissonプロセスが、適度に適合するパフォーマンスとイベントタイプ予測をもたらすことを示した。 また,本手法を時間的実世界データセットの最先端モデルと比較し,より少ないパラメータを用いて,データフィッティングと予測の両方における競合能力を示す。

関連論文リスト

• Efficient Learning of POMDPs with Known Observation Model in Average-Reward Setting [56.92178753201331]
  我々は,POMDPパラメータを信念に基づくポリシを用いて収集したサンプルから学習することのできる観測・認識スペクトル(OAS)推定手法を提案する。 提案するOAS-UCRLアルゴリズムに対して,OASプロシージャの整合性を示し,$mathcalO(sqrtT log(T)$の残差保証を証明した。
  論文  参考訳（メタデータ） (2024-10-02T08:46:34Z)
• von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
  円値ランダム関数上の表現的および解釈可能な分布の族を探索する。 結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。 後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
  論文  参考訳（メタデータ） (2024-06-19T01:57:21Z)
• Exact, Fast and Expressive Poisson Point Processes via Squared Neural Families [23.337256081314518]
  2層ニューラルネットワークの2乗ノルムによる強度関数のパラメータ化により、正方形ニューラルポアソン点過程(SNEPPP)を導入する。 隠れた層が固定され、第2層が単一ニューロンを持つ場合、我々のアプローチは以前の正方形ガウス過程やカーネル法と類似している。 実および合成ベンチマークでSNEPPPを実証し、ソフトウェア実装を提供する。
  論文  参考訳（メタデータ） (2024-02-14T22:32:00Z)
• Poisson Process for Bayesian Optimization [126.51200593377739]
  本稿では、Poissonプロセスに基づくランキングベースの代理モデルを提案し、Poisson Process Bayesian Optimization(PoPBO)と呼ばれる効率的なBOフレームワークを提案する。 従来のGP-BO法と比較すると,PoPBOはコストが低く,騒音に対する堅牢性も良好であり,十分な実験により検証できる。
  論文  参考訳（メタデータ） (2024-02-05T02:54:50Z)
• Posterior Contraction Rates for Mat\'ern Gaussian Processes on Riemannian Manifolds [51.68005047958965]
  我々は,本質的なガウス過程が実際により優れた性能を発揮することを示す。 我々の研究は、データ効率の異なるレベルを区別するために、よりきめ細かい分析が必要であることを示している。
  論文  参考訳（メタデータ） (2023-09-19T20:30:58Z)
• Likelihood-based inference and forecasting for trawl processes: a stochastic optimization approach [0.0]
  実数値トロール過程を推定するための第1の可能性に基づく手法を開発した。 本稿では,新しい決定的および確率的予測手法を提案する。 トロールプロセスの大規模なクラスに適合するために使用可能なPythonライブラリをリリースしています。
  論文  参考訳（メタデータ） (2023-08-30T15:37:48Z)
• Cox-Hawkes: doubly stochastic spatiotemporal Poisson processes [2.6599014990168834]
  我々は,推論とクラスタリングの両方が可能な新しいクラスの推論・ホークス・プロセスを開発し,推論を効率的に行う方法を提案する。 我々は、シミュレーションデータの実験において、我々のアプローチの有効性と柔軟性を示し、我々の手法を用いて、米国における報告された犯罪のデータセットの傾向を明らかにする。
  論文  参考訳（メタデータ） (2022-10-21T09:47:34Z)
• Uncovering Regions of Maximum Dissimilarity on Random Process Data [0.0]
  本稿では,二つのプロセスの限界特性があまり似ていない領域について,あるボリュームの領域について学習する手法を提案する。 提案手法は,関心データ自体がプロセスであるような設定に対して,完全な汎用性で考案される。 我々は、犯罪学、金融学、医学のケーススタディでそれらの応用を紹介した。
  論文  参考訳（メタデータ） (2022-09-12T19:44:49Z)
• Spatiotemporal Clustering with Neyman-Scott Processes via Connections to Bayesian Nonparametric Mixture Models [28.121773284978406]
  Neyman-Scott Process (NSP) は、時間または空間におけるポイントのクラスタを生成するポイントプロセスモデルである。 ニューラルスパイク列車におけるシーケンス検出や文書ストリームにおけるイベント検出など,さまざまな応用におけるNSPの可能性を示す。
  論文  参考訳（メタデータ） (2022-01-13T16:10:20Z)
• Sensing Cox Processes via Posterior Sampling and Positive Bases [56.82162768921196]
  本研究では,空間統計学から広く用いられている点過程の適応センシングについて検討する。 我々は、この強度関数を、特別に構築された正の基底で表される、歪んだガウス過程のサンプルとしてモデル化する。 我々の適応センシングアルゴリズムはランゲヴィン力学を用いており、後続サンプリング(textscCox-Thompson)と後続サンプリング(textscTop2)の原理に基づいている。
  論文  参考訳（メタデータ） (2021-10-21T14:47:06Z)
• Efficiently Sampling Functions from Gaussian Process Posteriors [76.94808614373609]
  高速後部サンプリングのための簡易かつ汎用的なアプローチを提案する。 分離されたサンプルパスがガウス過程の後部を通常のコストのごく一部で正確に表現する方法を実証する。
  論文  参考訳（メタデータ） (2020-02-21T14:03:16Z)

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。