論文の概要: Variational Learning for the Inverted Beta-Liouville Mixture Model and
Its Application to Text Categorization
- arxiv url: http://arxiv.org/abs/2112.14375v1
- Date: Wed, 29 Dec 2021 03:03:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-30 22:55:14.557513
- Title: Variational Learning for the Inverted Beta-Liouville Mixture Model and
Its Application to Text Categorization
- Title（参考訳）: 逆β-リオウビル混合モデルの変分学習とそのテキスト分類への応用
- Authors: Yongfa Ling, Wenbo Guan, Qiang Ruan, Heping Song, Yuping Lai
- Abstract要約: 有限逆β-Liouville混合モデル(IBLMM)は、その正のデータモデリング能力のために最近注目を集めている。
難解なモーメント計算を避けるために、元の変動オブジェクト関数を置き換えるために、新しい関数を提案する。
- 参考スコア（独自算出の注目度）: 1.4174475093445236
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The finite invert Beta-Liouville mixture model (IBLMM) has recently gained
some attention due to its positive data modeling capability. Under the
conventional variational inference (VI) framework, the analytically tractable
solution to the optimization of the variational posterior distribution cannot
be obtained, since the variational object function involves evaluation of
intractable moments. With the recently proposed extended variational inference
(EVI) framework, a new function is proposed to replace the original variational
object function in order to avoid intractable moment computation, so that the
analytically tractable solution of the IBLMM can be derived in an elegant way.
The good performance of the proposed approach is demonstrated by experiments
with both synthesized data and a real-world application namely text
categorization.
- Abstract（参考訳）: 有限逆β-Liouville混合モデル(IBLMM)はその正のデータモデリング能力のために最近注目を集めている。
従来の変分推論(vi)の枠組みでは、変分対象関数は難解なモーメントの評価を伴うため、変分後分布の最適化に対する解析的に扱いやすい解は得られない。
最近提案された拡張変分推論(EVI)フレームワークにより、難解なモーメント計算を避けるために、元の変分オブジェクト関数を置き換える新しい関数が提案され、IBLMMの解析的抽出可能な解がエレガントな方法で導出される。
提案手法の優れた性能は、合成データと実世界のアプリケーション、すなわちテキスト分類による実験によって実証される。
関連論文リスト
- Hyperspectral Unmixing Under Endmember Variability: A Variational Inference Framework [22.114121550108344]
本研究は、終端変動(HU-EV)の存在下でのハイパースペクトルアンミックスのための変分推論フレームワークを提案する。
EV対応ノイズリニアミックスモデル (LMM) も検討し, モデルに外れ値の存在も考慮した。
提案手法の有効性は, 合成, セミリアル, 実データ実験によって実証される。
論文 参考訳（メタデータ） (2024-07-20T15:16:14Z) - A Differentiable Partially Observable Generalized Linear Model with
Forward-Backward Message Passing [2.600709013150986]
既存の作業で用いられるスコア関数勾配推定器よりも優れたパスワイズ勾配推定器を実現できる新しい微分可能なPOGLMを提案する。
我々の新しい手法はより解釈可能なパラメータをもたらし、神経科学におけるその重要性を裏付ける。
論文 参考訳（メタデータ） (2024-02-02T09:34:49Z) - Joint State Estimation and Noise Identification Based on Variational
Optimization [8.536356569523127]
CVIAKFと呼ばれる共役計算変分推論に基づく新しい適応カルマンフィルタ法を提案する。
CVIAKFの有効性は、目標追尾のための合成および実世界のデータセットを通して検証される。
論文 参考訳（メタデータ） (2023-12-15T07:47:03Z) - Variational Laplace Autoencoders [53.08170674326728]
変分オートエンコーダは、遅延変数の後部を近似するために、償却推論モデルを用いる。
完全分解ガウス仮定の限定的後部表現性に対処する新しい手法を提案する。
また、深部生成モデルのトレーニングのための変分ラプラスオートエンコーダ(VLAE)という一般的なフレームワークも提示する。
論文 参考訳（メタデータ） (2022-11-30T18:59:27Z) - Quasi Black-Box Variational Inference with Natural Gradients for
Bayesian Learning [84.90242084523565]
複素モデルにおけるベイズ学習に適した最適化アルゴリズムを開発した。
我々のアプローチは、モデル固有導出に制限のある効率的なトレーニングのための一般的なブラックボックスフレームワーク内の自然な勾配更新に依存している。
論文 参考訳（メタデータ） (2022-05-23T18:54:27Z) - Generalised Gaussian Process Latent Variable Models (GPLVM) with
Stochastic Variational Inference [9.468270453795409]
ミニバッチ学習が可能なBayesianVMモデルの2倍の定式化について検討する。
このフレームワークが、異なる潜在変数の定式化とどのように互換性を持つかを示し、モデルの組を比較する実験を行う。
我々は、膨大な量の欠落データの存在下でのトレーニングと、高忠実度再構築の実施を実証する。
論文 参考訳（メタデータ） (2022-02-25T21:21:51Z) - A Variational Inference Approach to Inverse Problems with Gamma
Hyperpriors [60.489902135153415]
本稿では,ガンマハイパープライヤを用いた階層的逆問題に対する変分反復交替方式を提案する。
提案した変分推論手法は正確な再構成を行い、意味のある不確実な定量化を提供し、実装が容易である。
論文 参考訳（メタデータ） (2021-11-26T06:33:29Z) - Loss function based second-order Jensen inequality and its application
to particle variational inference [112.58907653042317]
粒子変分推論(PVI)は、後部分布の実験的近似としてモデルのアンサンブルを用いる。
PVIは、最適化されたモデルの多様性を保証するために、各モデルを反発力で反復的に更新する。
我々は,新たな一般化誤差を導出し,モデルの多様性を高めて低減できることを示す。
論文 参考訳（メタデータ） (2021-06-09T12:13:51Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳（メタデータ） (2021-06-03T12:59:16Z) - Posterior-Aided Regularization for Likelihood-Free Inference [23.708122045184698]
後補助正規化(PAR)は,モデル構造に関係なく,密度推定器の学習に適用可能である。
単一のニューラルネットワークを用いて逆KL項と相互情報項の両方を推定するPARの統一推定方法を提供する。
論文 参考訳（メタデータ） (2021-02-15T16:59:30Z) - Efficient Semi-Implicit Variational Inference [65.07058307271329]
効率的でスケーラブルな半単純外挿 (SIVI) を提案する。
本手法はSIVIの証拠を低勾配値の厳密な推測にマッピングする。
論文 参考訳（メタデータ） (2021-01-15T11:39:09Z)
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。