論文の概要: Neural Copula: A unified framework for estimating generic
high-dimensional Copula functions
- arxiv url: http://arxiv.org/abs/2205.15031v1
- Date: Mon, 23 May 2022 13:01:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-12 23:03:50.103274
- Title: Neural Copula: A unified framework for estimating generic
high-dimensional Copula functions
- Title（参考訳）: neural copula - 汎用的な高次元copula関数を推定するための統一フレームワーク
- Authors: Zhi Zeng and Ting Wang
- Abstract要約: コピュラは、確率変数の辺分布と結合分布の関係を記述するために広く用いられている。
本稿ではニューラルネットワークに基づく新しい手法(Neural Copula)を提案する。
提案手法の有効性を実世界のデータセットと複素数値シミュレーションの両方で評価した。
- 参考スコア（独自算出の注目度）: 7.926596248777508
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Copula is widely used to describe the relationship between the marginal
distribution and joint distribution of random variables. The estimation of
high-dimensional Copula is difficult, and most existing solutions rely either
on simplified assumptions or on complicating recursive decompositions.
Therefore, people still hope to obtain a generic Copula estimation method with
both universality and simplicity. To reach this goal, a novel neural
network-based method (named Neural Copula) is proposed in this paper. In this
method, a hierarchical unsupervised neural network is constructed to estimate
the marginal distribution function and the Copula function by solving
differential equations. In the training program, various constraints are
imposed on both the neural network and its derivatives. The Copula estimated by
the proposed method is smooth and has an analytic expression. The effectiveness
of the proposed method is evaluated on both real-world datasets and complex
numerical simulations. Experimental results show that Neural Copula's fitting
quality for complex distributions is much better than classical methods. The
relevant code for the experiments is available on GitHub. (We encourage the
reader to run the program for a better understanding of the proposed method).
- Abstract（参考訳）: コピュラは、確率変数の辺分布と結合分布の関係を記述するために広く用いられている。
高次元コプラの推定は困難であり、既存の解の多くは単純な仮定か複雑な再帰分解に依存している。
したがって、人々は普遍性と単純性の両方で一般的なコピュラ推定法を得ることを期待している。
この目的を達成するために,ニューラルコピュラと呼ばれるニューラルネットワークを用いた新しい手法を提案する。
本手法では,階層型非教師付きニューラルネットワークを構築し,微分方程式を解いて限界分布関数とコプラ関数を推定する。
トレーニングプログラムでは、ニューラルネットワークとそのデリバティブの両方に様々な制約が課される。
提案手法により推定されるコプラは滑らかであり,解析式を有する。
提案手法の有効性を実世界のデータセットと複素数値シミュレーションの両方で評価した。
実験の結果,神経コプラの複雑な分布に対する適合性は,古典的手法よりもはるかに優れていることがわかった。
実験に関連するコードはgithubで公開されている。
(提案手法をよりよく理解するために、読者にプログラムの実行を勧める)。
関連論文リスト
- A new approach to generalisation error of machine learning algorithms:
Estimates and convergence [0.0]
本稿では,(一般化)誤差の推定と収束に対する新しいアプローチを提案する。
本研究の結果は,ニューラルネットワークの構造的仮定を伴わない誤差の推定を含む。
論文 参考訳（メタデータ） (2023-06-23T20:57:31Z) - Promises and Pitfalls of the Linearized Laplace in Bayesian Optimization [73.80101701431103]
線形化ラプラス近似(LLA)はベイズニューラルネットワークの構築に有効で効率的であることが示されている。
ベイズ最適化におけるLLAの有用性について検討し,その性能と柔軟性を強調した。
論文 参考訳（メタデータ） (2023-04-17T14:23:43Z) - Semantic Strengthening of Neuro-Symbolic Learning [85.6195120593625]
ニューロシンボリックアプローチは一般に確率論的目的のファジィ近似を利用する。
トラクタブル回路において,これを効率的に計算する方法を示す。
我々は,Warcraftにおける最小コストパスの予測,最小コスト完全マッチングの予測,スドクパズルの解法という3つの課題に対して,アプローチを検証した。
論文 参考訳（メタデータ） (2023-02-28T00:04:22Z) - The Separation Capacity of Random Neural Networks [78.25060223808936]
標準ガウス重みと一様分布バイアスを持つ十分に大きな2層ReLUネットワークは、この問題を高い確率で解くことができることを示す。
我々は、相互複雑性という新しい概念の観点から、データの関連構造を定量化する。
論文 参考訳（メタデータ） (2021-07-31T10:25:26Z) - Deep Archimedean Copulas [98.96141706464425]
ACNetは、構造的特性を強制する、新しい差別化可能なニューラルネットワークアーキテクチャである。
我々は、ACNetが共通のアルキメデスコピュラスを近似し、データに適合する可能性のある新しいコプラを生成することができることを示した。
論文 参考訳（メタデータ） (2020-12-05T22:58:37Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳（メタデータ） (2020-07-02T17:55:47Z) - Relative gradient optimization of the Jacobian term in unsupervised deep
learning [9.385902422987677]
データを正しく記述した表現的確率モデルを学習することは、機械学習におけるユビキタスな問題である。
このタスクには深度モデルが広く使用されているが、その最大可能性に基づくトレーニングでは、ジャコビアンの対数行列式を推定する必要がある。
このようなニューラルネットワークの正確なトレーニングのための新しいアプローチを提案する。
論文 参考訳（メタデータ） (2020-06-26T16:41:08Z) - Deep Learning with Functional Inputs [0.0]
本稿では,機能データをフィードフォワードニューラルネットワークに統合する手法を提案する。
この手法の副産物は、最適化プロセス中に可視化できる動的な機能的重みの集合である。
このモデルは、新しいデータの予測や真の機能的重みの回復など、多くの文脈でうまく機能することが示されている。
論文 参考訳（メタデータ） (2020-06-17T01:23:00Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳（メタデータ） (2020-06-16T21:56:22Z) - Mean-Field Approximation to Gaussian-Softmax Integral with Application
to Uncertainty Estimation [23.38076756988258]
ディープニューラルネットワークにおける不確実性を定量化するための,新しい単一モデルに基づくアプローチを提案する。
平均場近似式を用いて解析的に難解な積分を計算する。
実験的に,提案手法は最先端の手法と比較して競合的に機能する。
論文 参考訳（メタデータ） (2020-06-13T07:32:38Z)
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。