論文の概要: Inference in conditioned dynamics through causality restoration
- arxiv url: http://arxiv.org/abs/2210.10179v1
- Date: Tue, 18 Oct 2022 21:58:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 15:57:17.447346
- Title: Inference in conditioned dynamics through causality restoration
- Title（参考訳）: 因果回復による条件付き力学の推論
- Authors: Alfredo Braunstein, Giovanni Catania, Luca Dall'Asta, Matteo Mariani,
Anna Paola Muntoni
- Abstract要約: 条件付き分布から独立したサンプルを生成する方法を提案する。
この方法は一般化された力学モデルのパラメータを学習する。
本手法の重要な応用、すなわち(不完全な)臨床検査による伝染病リスク評価の問題について論じる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computing observables from conditioned dynamics is typically computationally
hard, because, although obtaining independent samples efficiently from the
unconditioned dynamics is usually feasible, generally most of the samples must
be discarded (in a form of importance sampling) because they do not satisfy the
imposed conditions. Sampling directly from the conditioned distribution is
non-trivial, as conditioning breaks the causal properties of the dynamics which
ultimately renders the sampling procedure efficient. One standard way of
achieving it is through a Metropolis Monte-Carlo procedure, but this procedure
is normally slow and a very large number of Monte-Carlo steps is needed to
obtain a small number of statistically independent samples. In this work, we
propose an alternative method to produce independent samples from a conditioned
distribution. The method learns the parameters of a generalized dynamical model
that optimally describe the conditioned distribution in a variational sense.
The outcome is an effective, unconditioned, dynamical model, from which one can
trivially obtain independent samples, effectively restoring causality of the
conditioned distribution. The consequences are twofold: on the one hand, it
allows us to efficiently compute observables from the conditioned dynamics by
simply averaging over independent samples. On the other hand, the method gives
an effective unconditioned distribution which is easier to interpret. The
method is flexible and can be applied virtually to any dynamics. We discuss an
important application of the method, namely the problem of epidemic risk
assessment from (imperfect) clinical tests, for a large family of
time-continuous epidemic models endowed with a Gillespie-like sampler. We show
that the method compares favorably against the state of the art, including the
soft-margin approach and mean-field methods.
- Abstract（参考訳）: なぜなら、非条件の力学から独立サンプルを効率的に得ることは、通常は実現可能であるが、通常、ほとんどのサンプルは、課された条件を満たさないため、(重要なサンプリングの形で)破棄されなければならないからである。
条件付き分布から直接サンプリングすることは非自明であり、条件付きはダイナミクスの因果特性を壊し、最終的にサンプリング手順を効率的にする。
標準的な方法の1つはメトロポリス・モンテ・カルロ法であるが、この手順は通常は遅く、少数の統計的に独立なサンプルを得るためにはモンテ・カルロ法が非常に多く必要である。
本研究では,条件付き分布から独立したサンプルを生成する方法を提案する。
本手法は,条件付き分布を変動的に最適に記述する一般化力学モデルのパラメータを学習する。
結果は有効で無条件の動的モデルであり、そこから独立サンプルを自明に得ることができ、条件付き分布の因果関係を効果的に復元することができる。
その結果は2つある:一方、独立したサンプルを平均化することによって、条件付きダイナミクスから効率的にオブザーバブルを計算できる。
一方、本手法は、解釈が容易な効率的な無条件分布を与える。
この手法は柔軟で、どんな力学にも事実上適用できる。
本研究は, ジレスピー様のサンプラーを付与した大規模流行モデルに対する(不完全な)臨床検査からの流行リスクアセスメントの課題である。
本手法は, ソフトマージン法や平均場法など, 美術品の状態と好適に比較できることを示す。
関連論文リスト
- Selective Inference for Time-Varying Effect Moderation [3.8233569758620063]
因果効果のモデレーションは、個人が観察した特性に基づいて、結果変数に対する介入(または治療)の効果がどのように変化するかを調べる。
高次元解析は、しばしば解釈可能性に欠け、重要なモデレーターはノイズに隠れている。
時間変化による因果効果のモデレーションを選択的に推定する2段階の手法を提案する。
論文 参考訳（メタデータ） (2024-11-24T16:37:48Z) - Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
本報告では,明示的な次元の一般スコアミスマッチ拡散サンプリング器を用いた最初の性能保証について述べる。
その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。
この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
論文 参考訳（メタデータ） (2024-10-17T16:42:12Z) - Conditional Pseudo-Reversible Normalizing Flow for Surrogate Modeling in Quantifying Uncertainty Propagation [11.874729463016227]
付加雑音によって汚染された物理モデルの代理モデルを構築するための条件付き擬似可逆正規化フローを導入する。
トレーニングプロセスは、ノイズと関数に関する事前知識を必要とせずに、入出力ペアからなるデータセットを利用する。
トレーニングされたモデルでは,高い確率領域をトレーニングセットでカバーした条件付き確率密度関数からサンプルを生成することができる。
論文 参考訳（メタデータ） (2024-03-31T00:09:58Z) - Iterated Denoising Energy Matching for Sampling from Boltzmann Densities [109.23137009609519]
反復Denoising Energy Matching (iDEM)
iDEMは,拡散型サンプリング装置から高モデル密度のサンプリング領域を (I) 交換し, (II) それらのサンプルをマッチング目的に使用した。
提案手法は,全測定値の最先端性能を達成し,2～5倍の速さでトレーニングを行う。
論文 参考訳（メタデータ） (2024-02-09T01:11:23Z) - User-defined Event Sampling and Uncertainty Quantification in Diffusion
Models for Physical Dynamical Systems [49.75149094527068]
拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。
本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。
推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
論文 参考訳（メタデータ） (2023-06-13T03:42:03Z) - A Flow-Based Generative Model for Rare-Event Simulation [0.483420384410068]
本研究では,正規化フロー生成モデルを用いて,条件分布から直接サンプルをシミュレートする手法を提案する。
希少な分布から直接シミュレートすることで、希少な事象の発生の仕方において重要な洞察を得ることができることを示す。
論文 参考訳（メタデータ） (2023-05-13T08:25:57Z) - Efficient Propagation of Uncertainty via Reordering Monte Carlo Samples [0.7087237546722617]
不確実性伝播は、入力変数の不確実性に基づいてモデル出力の不確実性を決定する技術である。
本研究は,全ての試料が平均的に有用であるにもかかわらず,他の試料よりも有用であるとする仮説を考察する。
本稿では、MCサンプルを適応的に並べ替える手法を導入し、UPプロセスの計算コストの削減をもたらす方法を示す。
論文 参考訳（メタデータ） (2023-02-09T21:28:15Z) - Bi-Noising Diffusion: Towards Conditional Diffusion Models with
Generative Restoration Priors [64.24948495708337]
本研究では,事前訓練した非条件拡散モデルを用いて,予測サンプルをトレーニングデータ多様体に導入する手法を提案する。
我々は,超解像,着色,乱流除去,画像劣化作業におけるアプローチの有効性を実証するための総合的な実験を行った。
論文 参考訳（メタデータ） (2022-12-14T17:26:35Z) - Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
まず確率分布をモデル化し,そのモデルからサンプリングする。
これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
論文 参考訳（メタデータ） (2021-10-20T12:25:22Z) - Tracking disease outbreaks from sparse data with Bayesian inference [55.82986443159948]
新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。
標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。
原理的に部分観測可能なベイズ的枠組みを提案する。
論文 参考訳（メタデータ） (2020-09-12T20:37:33Z)
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。