論文の概要: LIDL: Local Intrinsic Dimension Estimation Using Approximate Likelihood

• arxiv url: http://arxiv.org/abs/2206.14882v1
• Date: Wed, 29 Jun 2022 19:47:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-02 08:31:39.148300
• Title: LIDL: Local Intrinsic Dimension Estimation Using Approximate Likelihood
• Title（参考訳）: LIDL:近似類似度を用いた局所固有次元推定
• Authors: Piotr Tempczyk, Rafa{\l} Michaluk,{\L}ukasz Garncarek, Przemys{\l}aw Spurek, Jacek Tabor, Adam Goli\'nski
• Abstract要約: この問題に対する新しいアプローチを提案する: 近似的類似度(LIDL)を用いた局所固有次元推定 本手法は, 任意の密度推定法をサブルーチンとして用い, 次元の挑戦をサイドステップしようと試みる。 LIDLは,この問題の標準ベンチマークで競合する結果を得るとともに,数千次元まで拡張可能であることを示す。
• 参考スコア（独自算出の注目度）: 10.35315334180936
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most of the existing methods for estimating the local intrinsic dimension of a data distribution do not scale well to high-dimensional data. Many of them rely on a non-parametric nearest neighbors approach which suffers from the curse of dimensionality. We attempt to address that challenge by proposing a novel approach to the problem: Local Intrinsic Dimension estimation using approximate Likelihood (LIDL). Our method relies on an arbitrary density estimation method as its subroutine and hence tries to sidestep the dimensionality challenge by making use of the recent progress in parametric neural methods for likelihood estimation. We carefully investigate the empirical properties of the proposed method, compare them with our theoretical predictions, and show that LIDL yields competitive results on the standard benchmarks for this problem and that it scales to thousands of dimensions. What is more, we anticipate this approach to improve further with the continuing advances in the density estimation literature.
• Abstract（参考訳）: データ分布の局所固有次元を推定する既存の手法のほとんどは、高次元データに対してうまくスケールしない。 それらの多くは、次元の呪いに苦しむ非パラメトリックな隣人アプローチに依存している。 そこで我々は,この課題に対して,局所固有次元推定を近似的類似度(LIDL)を用いて提案する手法を提案する。 提案手法は, 任意の密度推定法をサブルーチンとして用い, 近年のパラメトリック・ニューラル・メソッドの進歩を応用して, 次元的課題を回避しようとするものである。 提案手法の実証的特性を慎重に検討し,提案手法と理論的予測との比較を行い,LIDLが標準ベンチマークで競合する結果を得ることを示すとともに,数千次元まで拡張可能であることを示す。 さらに, この手法は, 密度推定文献の継続的な進歩とともに, さらなる発展を期待する。

関連論文リスト

• Learning Distances from Data with Normalizing Flows and Score Matching [9.605001452209867]
  密度に基づく距離は、メートル法学習の問題に対するエレガントな解決策を提供する。 我々は,フェルマー距離を推定する既存の手法が,低次元と高次元の両方において収束不良に悩まされていることを示す。 我々の研究は、特に高次元空間における密度に基づく距離の実践的利用の道を開いた。
  論文  参考訳（メタデータ） (2024-07-12T14:30:41Z)
• Efficient Nearest Neighbor based Uncertainty Estimation for Natural Language Processing Tasks [26.336947440529713]
  $k$-Nearest Neearbor Uncertainty Estimation (k$NN-UE) は、隣人からの距離と、隣人のラベル存在率を利用する不確実性推定手法である。 実験の結果,提案手法は信頼性校正,選択予測,分布外検出において,ベースラインや最近の密度に基づく手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-07-02T10:33:31Z)
• A Wiener process perspective on local intrinsic dimension estimation methods [1.6988007266875604]
  近年,深層ニューラルネットワークと生成モデリングの進歩により,局所内在性(LID)推定法が注目されている。 本稿では、Wiener プロセスの観点から、最近の最先端パラメトリック LID 推定手法について検討する。
  論文  参考訳（メタデータ） (2024-06-24T20:27:13Z)
• A Finite-Horizon Approach to Active Level Set Estimation [0.7366405857677227]
  レベルセット推定(LSE)における空間サンプリングの文脈におけるアクティブラーニングの問題点について考察する。 1次元でLSEを行うための有限水平探索法を提案するが、最終的な推定誤差と一定数のサンプルの移動距離のバランスは最適である。 結果の最適化問題をクローズドな方法で解き、その結果のポリシーが既存のアプローチを一般化することを示す。
  論文  参考訳（メタデータ） (2023-10-18T14:11:41Z)
• Learning to Estimate Without Bias [57.82628598276623]
  ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。 本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。 BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
  論文  参考訳（メタデータ） (2021-10-24T10:23:51Z)
• Manifold Hypothesis in Data Analysis: Double Geometrically-Probabilistic Approach to Manifold Dimension Estimation [92.81218653234669]
  本稿では, 多様体仮説の検証と基礎となる多様体次元推定に対する新しいアプローチを提案する。 我々の幾何学的手法はミンコフスキー次元計算のためのよく知られたボックスカウントアルゴリズムのスパースデータの修正である。 実データセットの実験では、2つの手法の組み合わせに基づく提案されたアプローチが強力で効果的であることが示されている。
  論文  参考訳（メタデータ） (2021-07-08T15:35:54Z)
• Continuous Wasserstein-2 Barycenter Estimation without Minimax Optimization [94.18714844247766]
  ワッサーシュタイン・バリセンターは、最適輸送に基づく確率測度の重み付き平均の幾何学的概念を提供する。 本稿では,Wasserstein-2 バリセンタのサンプルアクセスを演算するスケーラブルなアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-02T21:01:13Z)
• Amortized Conditional Normalized Maximum Likelihood: Reliable Out of Distribution Uncertainty Estimation [99.92568326314667]
  本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。 提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。 我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
  論文  参考訳（メタデータ） (2020-11-05T08:04:34Z)
• Estimating Barycenters of Measures in High Dimensions [30.563217903502807]
  本研究では,高次元の測度のバリセンタを推定するためのスケーラブルで汎用的なアルゴリズムを提案する。 差分性に関する軽微な仮定の下で局所収束を証明し、そのアプローチが十分に提案されていることを示す。 私たちのアプローチは、数千次元のバリセンタを推定するために使われる最初のものです。
  論文  参考訳（メタデータ） (2020-07-14T15:24:41Z)
• Variable Skipping for Autoregressive Range Density Estimation [84.60428050170687]
  深部自己回帰モデルを用いた距離密度推定を高速化する手法である可変スキップについて述べる。 可変スキップは、10-100$timesの効率向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-07-10T19:01:40Z)
• $\gamma$-ABC: Outlier-Robust Approximate Bayesian Computation Based on a Robust Divergence Estimator [95.71091446753414]
  最寄りの$gamma$-divergence推定器をデータ差分尺度として用いることを提案する。 本手法は既存の不一致対策よりも高いロバスト性を実現する。
  論文  参考訳（メタデータ） (2020-06-13T06:09:27Z)

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。