論文の概要: MixFlows: principled variational inference via mixed flows
- arxiv url: http://arxiv.org/abs/2205.07475v5
- Date: Thu, 1 Jun 2023 06:36:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-03 02:01:08.935915
- Title: MixFlows: principled variational inference via mixed flows
- Title（参考訳）: MixFlows: 混合フローによる原理的変動推論
- Authors: Zuheng Xu, Naitong Chen, Trevor Campbell
- Abstract要約: MixFlowsは、初期参照分布に対するマップの繰り返し適用の混合からなる、新しいバリエーションファミリである。
また,MixFlowsは,フローマップがエルゴード的かつ測度保存的である場合にMCMCライクな収束を保証することを示す。
また,不正確な離散化ハミルトン力学と決定論的運動量リフレッシュを併用したMixFlowの実装も開発した。
- 参考スコア（独自算出の注目度）: 16.393322369105864
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work presents mixed variational flows (MixFlows), a new variational
family that consists of a mixture of repeated applications of a map to an
initial reference distribution. First, we provide efficient algorithms for
i.i.d. sampling, density evaluation, and unbiased ELBO estimation. We then show
that MixFlows have MCMC-like convergence guarantees when the flow map is
ergodic and measure-preserving, and provide bounds on the accumulation of error
for practical implementations where the flow map is approximated. Finally, we
develop an implementation of MixFlows based on uncorrected discretized
Hamiltonian dynamics combined with deterministic momentum refreshment.
Simulated and real data experiments show that MixFlows can provide more
reliable posterior approximations than several black-box normalizing flows, as
well as samples of comparable quality to those obtained from state-of-the-art
MCMC methods.
- Abstract（参考訳）: この研究は、地図の繰り返し適用を初期参照分布に混合した新しい変分族である混合変分流(MixFlows)を提示する。
まず,サンプリング,密度評価,偏りのないELBO推定のための効率的なアルゴリズムを提案する。
次に, フローマップがエルゴードかつ測度保存である場合, 混合フローはmcmcライクな収束を保証し, フローマップを近似する実用的な実装のために誤差の蓄積に関する境界を与えることを示す。
最後に, 決定論的運動量リフレッシュを併用した非補正離散ハミルトン力学に基づく混合フローの実装を開発した。
シミュレーションおよび実データ実験により、MixFlowsは複数のブラックボックス正規化フローよりも信頼性の高い後部近似を提供し、また最先端MCMCMC法と同等の品質のサンプルを提供することが示された。
関連論文リスト
- Consistency Flow Matching: Defining Straight Flows with Velocity Consistency [97.28511135503176]
本稿では,速度場の自己整合性を明示する新しいFM法であるConsistency Flow Matching(Consistency-FM)を紹介する。
予備実験により、一貫性FMは、一貫性モデルよりも4.4倍速く収束することにより、トレーニング効率を著しく向上することが示された。
論文 参考訳（メタデータ） (2024-07-02T16:15:37Z) - Quantum Normalizing Flows for Anomaly Detection [23.262276593120305]
量子アーキテクチャのための正規化フローを導入し、そのようなフローをモデル化し最適化する方法を説明し、サンプルデータセット上でメソッドを評価する。
提案モデルでは,従来の手法と比較して,異常検出の競合性能を示す。
実験では, 森林の隔離, 局所降水率 (LOF) , 単一クラスSVMとの比較を行った。
論文 参考訳（メタデータ） (2024-02-05T10:28:20Z) - Fast Semisupervised Unmixing Using Nonconvex Optimization [80.11512905623417]
半/ライブラリベースのアンミックスのための新しい凸凸モデルを提案する。
スパース・アンミキシングの代替手法の有効性を実証する。
論文 参考訳（メタデータ） (2024-01-23T10:07:41Z) - Detecting and Mitigating Mode-Collapse for Flow-based Sampling of
Lattice Field Theories [6.222204646855336]
格子場理論の文脈における正規化流れのモード崩壊の結果について検討する。
本稿では,モード崩壊の度合いを定量化し,その結果の偏りを導出する指標を提案する。
論文 参考訳（メタデータ） (2023-02-27T19:00:22Z) - 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) - Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。
本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。
本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
論文 参考訳（メタデータ） (2021-02-04T02:21:08Z) - Integrable Nonparametric Flows [5.9774834479750805]
本稿では,無限小変化のみを仮定した無限小正規化フローを確率分布に再構成する手法を提案する。
これは、フローの正規化という従来のタスクを逆転させる。
量子モンテカルロ問題と機械学習の潜在的な応用について論じる。
論文 参考訳（メタデータ） (2020-12-03T16:19:52Z) - 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) - Stochastic Normalizing Flows [2.323220706791067]
単純な事前分布の変換を学習するために,フローの正規化が有効であることを示す。
サンプルとフローパラメータの両方をエンドツーエンドに最適化できる効率的なトレーニング手順を導出する。
いくつかのベンチマークでSNFの表現力,サンプリング効率,正当性について述べる。
論文 参考訳（メタデータ） (2020-02-16T23:29:32Z) - Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。
我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
論文 参考訳（メタデータ） (2019-12-30T17:36:33Z)
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。