論文の概要: BayesLDM: A Domain-Specific Language for Probabilistic Modeling of
Longitudinal Data
- arxiv url: http://arxiv.org/abs/2209.05581v1
- Date: Mon, 12 Sep 2022 20:10:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-14 12:15:50.997834
- Title: BayesLDM: A Domain-Specific Language for Probabilistic Modeling of
Longitudinal Data
- Title（参考訳）: bayesldm:縦断データの確率的モデリングのためのドメイン固有言語
- Authors: Karine Tung, Steven De La Torre, Mohamed El Mistiri, Rebecca Braga De
Braganca, Eric Hekler, Misha Pavel, Daniel Rivera, Pedja Klasnja, Donna
Spruijt-Metz, Benjamin M. Marlin
- Abstract要約: BayesLDMは複雑な縦データモデリングシステムである。
BayesLDMはモデル仕様と利用可能なデータの検査を組み合わせることで、未知のパラメータに対するベイズ推論を実行するためのコードを出力する。
ベイズLDMシステムコンポーネントについて述べるとともに、表現効率と推論最適化の効率を評価し、不均一で部分的に観察されるモバイル健康データを解析するためのシステムの適用例を示す。
- 参考スコア（独自算出の注目度）: 7.6623098641742615
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper we present BayesLDM, a system for Bayesian longitudinal data
modeling consisting of a high-level modeling language with specific features
for modeling complex multivariate time series data coupled with a compiler that
can produce optimized probabilistic program code for performing inference in
the specified model. BayesLDM supports modeling of Bayesian network models with
a specific focus on the efficient, declarative specification of dynamic
Bayesian Networks (DBNs). The BayesLDM compiler combines a model specification
with inspection of available data and outputs code for performing Bayesian
inference for unknown model parameters while simultaneously handling missing
data. These capabilities have the potential to significantly accelerate
iterative modeling workflows in domains that involve the analysis of complex
longitudinal data by abstracting away the process of producing computationally
efficient probabilistic inference code. We describe the BayesLDM system
components, evaluate the efficiency of representation and inference
optimizations and provide an illustrative example of the application of the
system to analyzing heterogeneous and partially observed mobile health data.
- Abstract（参考訳）: 本稿では,ベイズLDMを提案する。ベイズLDMとは,複雑な多変量時系列データと,特定のモデルで推論を行うために最適化された確率的プログラムコードを生成するコンパイラを組み合わせた,高レベルなモデリング言語である。
BayesLDMは、動的ベイズネットワーク(DBN)の効率的で宣言的な仕様に焦点を当てたベイズネットワークモデルのモデリングをサポートする。
bayesldmコンパイラはモデル仕様と利用可能なデータの検査を組み合わせることで、未知のモデルパラメータに対してベイズ推論を実行するコードを出力する。
これらの能力は、計算効率のよい確率的推論コードを生成するプロセスを抽象化することにより、複雑な縦断データの分析を伴うドメインにおける反復的モデリングワークフローを著しく加速する可能性がある。
ベイズLDMシステムコンポーネントについて述べるとともに、表現効率と推論最適化の効率を評価し、不均一で部分的に観察されるモバイル健康データを解析するためのシステムの適用例を示す。
関連論文リスト
- Multi-modal Auto-regressive Modeling via Visual Words [96.25078866446053]
本稿では,視覚的特徴を大規模多モードモデルの語彙上の確率分布にマッピングする視覚トークンの概念を提案する。
さらに、LMM内の意味空間における視覚的特徴の分布と、視覚情報を表現するためにテキスト埋め込みを使用することの可能性について検討する。
論文 参考訳（メタデータ） (2024-03-12T14:58:52Z) - Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。
LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。
LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
論文 参考訳（メタデータ） (2024-03-11T05:35:38Z) - Sample Complexity Characterization for Linear Contextual MDPs [67.79455646673762]
文脈決定プロセス(CMDP)は、遷移カーネルと報酬関数がコンテキスト変数によってインデックス付けされた異なるMDPで時間とともに変化できる強化学習のクラスを記述する。
CMDPは、時間とともに変化する環境で多くの現実世界のアプリケーションをモデル化するための重要なフレームワークとして機能する。
CMDPを2つの線形関数近似モデルで検討する: 文脈変化表現とすべての文脈に対する共通線形重み付きモデルIと、すべての文脈に対する共通表現と文脈変化線形重み付きモデルIIである。
論文 参考訳（メタデータ） (2024-02-05T03:25:04Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - T1: Scaling Diffusion Probabilistic Fields to High-Resolution on Unified
Visual Modalities [69.16656086708291]
拡散確率場(DPF)は、距離空間上で定義された連続関数の分布をモデル化する。
本稿では,局所構造学習に着目したビューワイズサンプリングアルゴリズムによる新しいモデルを提案する。
モデルは、複数のモダリティを統一しながら、高解像度のデータを生成するためにスケールすることができる。
論文 参考訳（メタデータ） (2023-05-24T03:32:03Z) - BayesFlow can reliably detect Model Misspecification and Posterior
Errors in Amortized Bayesian Inference [0.0]
シミュレーションに基づく推論で生じるモデル誤特定のタイプを概念化し、これらの誤特定の下でベイズフローフレームワークの性能を体系的に検討する。
本稿では、潜在データ空間に確率的構造を課し、最大平均不一致(MMD)を利用して破滅的な誤特定を検知する拡張最適化手法を提案する。
論文 参考訳（メタデータ） (2021-12-16T13:25:27Z) - Relational VAE: A Continuous Latent Variable Model for Graph Structured
Data [0.0]
シミュレーションおよび実風力発電モニタリングデータに対する構造的確率密度モデルの適用例を示す。
ソースコードとシミュレートされたデータセットを合わせてリリースします。
論文 参考訳（メタデータ） (2021-06-30T13:24:27Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - VAULT: VAriable Unified Long Text Representation for Machine Reading
Comprehension [31.639069657951747]
機械読取の既存のモデルは、段落表現と分類で長いテキストをモデル化するために複雑なモデルアーキテクチャを必要とする。
長文入力からの文脈化表現に基づく,MDC の軽量かつ並列効率なパラメタ表現 VAULT を提案する。
論文 参考訳（メタデータ） (2021-05-07T13:03:43Z) - Tensor Networks for Probabilistic Sequence Modeling [7.846449972735859]
シーケンスデータの確率的モデリングには,一様行列積状態(u-MPS)モデルを用いる。
次に、訓練されたu-MPSに対して、様々な条件分布から効率的にサンプリングできる新しい生成アルゴリズムを提案する。
合成テキストデータと実テキストデータを用いたシーケンスモデリング実験は、U-MPSが様々なベースラインより優れていることを示す。
論文 参考訳（メタデータ） (2020-03-02T17:16:05Z)
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。