論文の概要: ISDE : Independence Structure Density Estimation
- arxiv url: http://arxiv.org/abs/2203.09783v1
- Date: Fri, 18 Mar 2022 08:01:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-21 15:00:25.577872
- Title: ISDE : Independence Structure Density Estimation
- Title(参考訳): ISDE : 独立構造密度推定
- Authors: Louis Pujol (DATASHAPE, CELESTE)
- Abstract要約: 多次元密度推定は次元性の呪いに苦しむ。
本稿では,ISDE (Independence Structure Density Estimation) を提案する。
実世界のデータセット上で定量的かつ質的にどのように機能するかを示す。
- 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: Density estimation appears as a subroutine in many learning procedures, so it
is of interest to have efficient methods for it to perform in practical
situations. Multidimensional density estimation suffers from the curse of
dimensionality. A solution to this problem is to add a structural hypothesis
through an undirected graphical model on the underlying distribution. We
propose ISDE (Independence Structure Density Estimation), an algorithm designed
to estimate a density and an undirected graphical model from a particular
family of graphs corresponding to Independence Structure (IS), a situation
where we can separate features into independent groups. ISDE works for
moderately high-dimensional data (up to a few dozen features), and it is
useable in parametric and nonparametric situations. Existing methods on
nonparametric graphical model estimation focus on multidimensional dependencies
only through pairwise ones: ISDE does not suffer from this restriction and can
address structures not yet covered by available algorithms. In this paper, we
present the existing theory about IS, explain the construction of our algorithm
and prove its effectiveness. This is done on synthetic data both
quantitatively, through measures of density estimation performance under
Kullback-Leibler loss, and qualitatively, in terms of capability to recover IS.
By applying ISDE on mass cytometry datasets, we also show how it performs both
quantitatively and qualitatively on real-world datasets. Then we provide
information about running time.
- Abstract(参考訳): 密度推定は多くの学習手順においてサブルーチンとして現れるため、実践的な状況において効率的に行う方法が重要である。
多次元密度推定は次元性の呪いに苦しむ。
この問題に対する解決策は、基盤となる分布に無向なグラフィカルモデルを通して構造仮説を追加することである。
独立構造(IS)に対応するグラフの特定のファミリから密度と非方向のグラフィカルモデルを推定するアルゴリズムであるISDE(Independence Structure Density Estimation)を提案する。
ISDEは、適度に高次元のデータ(最大数十の特徴)を処理し、パラメトリックおよび非パラメトリックの状況で使用することができる。
非パラメトリックグラフィカルモデル推定の既存の手法は、ペアワイズでのみ多次元依存に焦点を当てている: ISDEは、この制限に悩まされず、まだ利用可能なアルゴリズムでカバーされていない構造に対処できる。
本稿では,isに関する既存の理論を説明し,アルゴリズムの構成を説明し,その効果を証明する。
これはkullback-leibler損失下での密度推定性能の測定と、is回復能力の質的評価を通じて、定量的に合成データ上で行われる。
質量サイトメトリーデータセットにISDEを適用することにより、実世界のデータセットに対して定量的かつ質的にどのように動作するかを示す。
そして、実行時間に関する情報を提供します。
関連論文リスト
- Density Estimation via Binless Multidimensional Integration [45.21975243399607]
非パラメトリック、ロバスト、およびデータ効率の高い密度推定のためのBinless Multidimensional Thermodynamic Integration (BMTI)法を提案する。
BMTIは、近隣のデータポイント間の対数密度差を計算し、その密度の対数を推定する。
この方法は様々な複雑な合成高次元データセットでテストされ、化学物理学の文献から現実的なデータセットでベンチマークされる。
論文 参考訳(メタデータ) (2024-07-10T23:45:20Z) - Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。
我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。
グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
論文 参考訳(メタデータ) (2023-11-29T12:48:33Z) - Score Approximation, Estimation and Distribution Recovery of Diffusion
Models on Low-Dimensional Data [68.62134204367668]
本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。
適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。
推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
論文 参考訳(メタデータ) (2023-02-14T17:02:35Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳(メタデータ) (2022-12-06T12:42:11Z) - Wasserstein Distributional Learning [5.830831796910439]
Wasserstein Distributional Learning (WDL)はフレキシブルな密度オンスカラー回帰モデリングフレームワークである。
WDLは, 条件密度の非線形依存性をよりよく特徴付け, 明らかにする。
シミュレーションと実世界の応用を通してWDLフレームワークの有効性を実証する。
論文 参考訳(メタデータ) (2022-09-12T02:32:17Z) - Design of Compressed Sensing Systems via Density-Evolution Framework for
Structure Recovery in Graphical Models [10.667885727418705]
観測データからベイズネットワークの構造を学習することはNP-Hard問題であることが示されている。
圧縮線形測定システムを最適化するための新しい密度進化に基づくフレームワークを提案する。
GBNの構造は実際に圧縮された測定結果から復元可能であることを示す。
論文 参考訳(メタデータ) (2022-03-17T22:16:38Z) - Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。
グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。
実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。
ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。
分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
論文 参考訳(メタデータ) (2021-10-20T14:23:54Z) - Meta-Learning for Relative Density-Ratio Estimation [59.75321498170363]
相対密度比推定(DRE)の既存の方法は、両方の密度から多くのインスタンスを必要とする。
本稿では,関係データセットの知識を用いて,相対密度比を数例から推定する,相対DREのメタラーニング手法を提案する。
提案手法の有効性を,相対的DRE,データセット比較,外乱検出の3つの問題を用いて実証的に実証した。
論文 参考訳(メタデータ) (2021-07-02T02:13:45Z) - Learning Optical Flow from a Few Matches [67.83633948984954]
密な相関体積表現は冗長であり、その中の要素のほんの一部で正確なフロー推定が達成できることを示した。
実験により,高い精度を維持しつつ計算コストとメモリ使用量を大幅に削減できることを示した。
論文 参考訳(メタデータ) (2021-04-05T21:44:00Z) - Learning non-Gaussian graphical models via Hessian scores and triangular
transport [6.308539010172309]
連続分布と非ガウス分布のマルコフ構造を学習するアルゴリズムを提案する。
このアルゴリズムは三角トランスポートマップによって誘導される決定論的結合を用いて密度を推定し、グラフのスパース性を明らかにするために地図内のスパース構造を反復的に活用する。
論文 参考訳(メタデータ) (2021-01-08T16:42:42Z) - Improving Nonparametric Density Estimation with Tensor Decompositions [14.917420021212912]
非パラメトリック密度推定器は、しばしば低次元データに対してよく機能するが、高次元データに適用すると苦しむ。
本稿では、これらの改善が他の単純化された依存前提にまで拡張できるかどうかを考察する。
多次元ヒストグラムにおける低ランク非負のPARAFACやTucker分解に対する推定の制限は、ビン幅速度の次元指数を除去することを示す。
論文 参考訳(メタデータ) (2020-10-06T01:39:09Z)
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。