論文の概要: Marginal Tail-Adaptive Normalizing Flows
- arxiv url: http://arxiv.org/abs/2206.10311v1
- Date: Tue, 21 Jun 2022 12:34:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 15:17:23.477986
- Title: Marginal Tail-Adaptive Normalizing Flows
- Title（参考訳）: 辺縁テール適応正規化流れ
- Authors: Mike Laszkiewicz, Johannes Lederer, Asja Fischer
- Abstract要約: 本稿では,尾の挙動を正確に捉えるための流れの正規化能力の向上に焦点をあてる。
自己回帰流の限界尾化性は,その基底分布の限界尾化性によって制御可能であることを証明した。
実験分析により,提案手法は,特に分布の尾部における精度を向上し,重み付きデータを生成可能であることが示された。
- 参考スコア（独自算出の注目度）: 15.732950126814089
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning the tail behavior of a distribution is a notoriously difficult
problem. By definition, the number of samples from the tail is small, and deep
generative models, such as normalizing flows, tend to concentrate on learning
the body of the distribution. In this paper, we focus on improving the ability
of normalizing flows to correctly capture the tail behavior and, thus, form
more accurate models. We prove that the marginal tailedness of an
autoregressive flow can be controlled via the tailedness of the marginals of
its base distribution. This theoretical insight leads us to a novel type of
flows based on flexible base distributions and data-driven linear layers. An
empirical analysis shows that the proposed method improves on the accuracy --
especially on the tails of the distribution -- and is able to generate
heavy-tailed data. We demonstrate its application on a weather and climate
example, in which capturing the tail behavior is essential.
- Abstract（参考訳）: 分布のテール挙動を学ぶことは、非常に難しい問題である。
定義によれば、尾部からのサンプルの数は小さく、フローの正規化のような深い生成モデルは、分布の体を学ぶことに集中する傾向にある。
本稿では,尾の挙動を正確に把握し,より正確なモデルを作成するため,流れの正規化能力の向上に焦点をあてる。
自己回帰流の限界尾化性は,その基底分布の限界尾化性によって制御できることを示す。
この理論的洞察は、柔軟なベース分布とデータ駆動線形層に基づく新しいタイプのフローへと導かれる。
実験分析により,提案手法は精度(特に分布の尾部)を向上し,重み付きデータを生成可能であることが示された。
尾行行動の把握が不可欠である気象や気候の例として,その応用例を示す。
関連論文リスト
- Flexible Tails for Normalizing Flows [0.658372523529902]
この問題に対する一般的な解決策は、重い尾のベース分布を使用することである。
これは、重み付き入力下でのフローの正規化などのニューラルネットワークの最適化が困難であるため、パフォーマンスが低下する可能性がある、と我々は主張する。
ガウス基底分布と重みを生成可能な最終変換層を用いる方法を提案する。
論文 参考訳（メタデータ） (2024-06-22T13:44:01Z) - Rejection via Learning Density Ratios [50.91522897152437]
拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。
そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。
私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
論文 参考訳（メタデータ） (2024-05-29T01:32:17Z) - Out-of-distribution detection using normalizing flows on the data
manifold [3.725042082196983]
本研究では,正規化フローを用いた多様体学習が分布外検出に及ぼす影響について検討した。
本研究では,正規化フローとして知られる確率ベースモデルの分布外検出能力を,多様体学習により向上させることを示す。
論文 参考訳（メタデータ） (2023-08-26T07:35:16Z) - A Heavy-Tailed Algebra for Probabilistic Programming [53.32246823168763]
本稿では,確率変数の尾を解析するための体系的アプローチを提案する。
本稿では,確率型プログラミング言語コンパイラの静的解析(サンプル作成前)において,この手法をどのように利用できるかを示す。
実験結果から,重み付き代数を利用する推論アルゴリズムは,多数の密度モデリングおよび変分推論タスクにおいて優れた性能が得られることを確認した。
論文 参考訳（メタデータ） (2023-06-15T16:37:36Z) - Tensorizing flows: a tool for variational inference [0.0]
本稿では,ガウス参照をテンソルネットワークを介して構築した参照分布に置き換える正規化フローの拡張を提案する。
本研究では, 複雑な変分推論タスクにおいて, フローとテンソルネットワークを組み合わせることで, どちらか一方のツールを使わずに得られる結果を改善することができることを示す。
論文 参考訳（メタデータ） (2023-05-03T23:42:22Z) - ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。
摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。
最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
論文 参考訳（メタデータ） (2022-08-18T16:07:59Z) - Fat-Tailed Variational Inference with Anisotropic Tail Adaptive Flows [53.32246823168763]
脂肪尾密度は、一般に、ロバストモデルとスケール混合における後縁および辺縁分布として生じる。
我々はまず、尾が尾崩壊の速度にどのように影響するかを定量化することで、リプシッツフローの尾に関する以前の理論を改善した。
次に、テール異方性に敏感なテールパラメータの代替理論を開発する。
論文 参考訳（メタデータ） (2022-05-16T18:03:41Z) - Nonlinear Isometric Manifold Learning for Injective Normalizing Flows [58.720142291102135]
アイソメトリーを用いて、多様体学習と密度推定を分離する。
また、確率分布を歪ませない明示的な逆数を持つ埋め込みを設計するためにオートエンコーダを用いる。
論文 参考訳（メタデータ） (2022-03-08T08:57:43Z) - Copula-Based Normalizing Flows [8.894004971395546]
ベース分布をより精巧なコプラ分布に一般化し、ターゲット分布の特性をより正確に捉える。
以上の結果から,学習フローの局所的なリプシッツ安定性の向上が示唆された。
論文 参考訳（メタデータ） (2021-07-15T14:22:28Z) - 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。