Fugu-MT 論文翻訳(概要): Transport Reversible Jump Proposals

論文の概要: Transport Reversible Jump Proposals

arxiv url: http://arxiv.org/abs/2210.12572v1
Date: Sat, 22 Oct 2022 23:48:04 GMT
ステータス: 処理完了
システム内更新日: 2022-10-25 21:18:06.375082
Title: Transport Reversible Jump Proposals
Title（参考訳）: 輸送可逆ジャンプの提案
Authors: Laurence Davies, Robert Salomone, Matthew Sutton, Christopher Drovandi
Abstract要約: 本稿では,参照分布を含む3次元ジャンプを行うことにより,RJMCMCサンプリングの効率を向上させる手法を示す。正確な輸送が使用される環境では、我々のRJMCMC提案は、受理確率がモデル確率のみに依存するという望ましい性質を持っていることが示されている。
参考スコア（独自算出の注目度）: 0.8399688944263843
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Reversible jump Markov chain Monte Carlo (RJMCMC) proposals that achieve reasonable acceptance rates and mixing are notoriously difficult to design in most applications. Inspired by recent advances in deep neural network-based normalizing flows and density estimation, we demonstrate an approach to enhance the efficiency of RJMCMC sampling by performing transdimensional jumps involving reference distributions. In contrast to other RJMCMC proposals, the proposed method is the first to apply a non-linear transport-based approach to construct efficient proposals between models with complicated dependency structures. It is shown that, in the setting where exact transports are used, our RJMCMC proposals have the desirable property that the acceptance probability depends only on the model probabilities. Numerical experiments demonstrate the efficacy of the approach.
Abstract（参考訳）: 可逆ジャンプマルコフ連鎖モンテカルロ (RJMCMC) は、ほとんどのアプリケーションにおいて、合理的な受容率と混合を達成することが非常に難しい。近年のディープニューラルネットワークによる正規化フローの進展と密度推定に触発されて,参照分布を含む3次元ジャンプを行うことで,RJMCMCサンプリングの効率を高める方法を示す。他の RJMCMC 提案とは対照的に, 複雑な依存構造を持つモデル間の効率的な提案を構築するために, 非線形輸送に基づくアプローチを最初に適用した手法である。正確な輸送が使用される環境では、我々のRJMCMC提案は、受理確率がモデル確率のみに依存するという望ましい性質を持っている。数値実験はアプローチの有効性を実証する。

関連論文リスト

Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。 PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
論文参考訳（メタデータ） (2024-07-10T17:39:50Z)
Repelling-Attracting Hamiltonian Monte Carlo [0.8158530638728501]
我々は、ハミルトニアンモンテカルロの変種(Repelling-Attracting Hamiltonian Monte Carlo (RAHMC))を提案する。 RAHMCには2つのステージがある: サンプルが高確率密度の領域から遠ざかるように促すモード推進段階と、サンプルが代替モードに近づいたり落ち着いたりするためのモード抽出段階である。
論文参考訳（メタデータ） (2024-03-07T15:54:55Z)
Improving Transferability of Adversarial Examples via Bayesian Attacks [84.90830931076901]
モデル入力にベイズ定式化を組み込むことにより,モデル入力とモデルパラメータの共分散を可能にする新しい拡張を導入する。提案手法は,トランスファーベース攻撃に対する新たな最先端技術を実現し,ImageNetとCIFAR-10の平均成功率をそれぞれ19.14%,2.08%向上させる。
論文参考訳（メタデータ） (2023-07-21T03:43:07Z)
Dense Hybrid Proposal Modulation for Lane Detection [72.49084826234363]
レーン検出のための高密度ハイブリッド提案変調(DHPM)法を提案する。我々は、トポロジカルかつ空間的に高品質なレーン予測を生成するために、全ての提案を密に調整する。我々のDHPMは4つの人気のあるデータセットで非常に競争力のあるパフォーマンスを実現しています。
論文参考訳（メタデータ） (2023-04-28T14:31:11Z)
On Sampling with Approximate Transport Maps [22.03230737620495]
輸送地図は、非自明な測地による分布のサンプリングを容易にし、それらを扱いやすい分布に変換する。このアプローチのポテンシャルは、ターゲットに向かって参照分布をプッシュするようにトレーニングされたディープニューラルネットワークでパラメータ化されたマップである正規化フロー(NF)の開発によって高まっている。 NF型サンプリング器は先日,フローから引き出された (i) モンテカルロ法または (ii) フローベース再パラメータ化法をブレンドした(マルコフ連鎖)モンテカルロ法を提案した。
論文参考訳（メタデータ） (2023-02-09T16:52:52Z)
Online Probabilistic Model Identification using Adaptive Recursive MCMC [8.465242072268019]
適応再帰的マルコフ連鎖モンテカルロ法(ARMCMC)を提案する。モデルパラメータの確率密度関数全体を計算しながら、従来のオンライン手法の欠点を解消する。本研究では,ソフト曲げアクチュエータとハント・クロスリー動的モデルを用いてパラメータ推定を行った。
論文参考訳（メタデータ） (2022-10-23T02:06:48Z)
LSB: Local Self-Balancing MCMC in Discrete Spaces [2.385916960125935]
本研究は、純粋に離散的な領域におけるサンプリング効率を向上させるために、機械学習を用いて提案された分布をターゲットに適応させることを検討する。得られたサンプルをLSB(Locally Self-Balancing Sampler)と呼ぶ。
論文参考訳（メタデータ） (2021-09-08T18:31:26Z)
Variational Refinement for Importance Sampling Using the Forward Kullback-Leibler Divergence [77.06203118175335]
変分推論(VI)はベイズ推論における正確なサンプリングの代替として人気がある。重要度サンプリング(IS)は、ベイズ近似推論手順の推定を微調整し、偏りを逸脱するためにしばしば用いられる。近似ベイズ推論のための最適化手法とサンプリング手法の新たな組み合わせを提案する。
論文参考訳（メタデータ） (2021-06-30T11:00:24Z)
Comparing Probability Distributions with Conditional Transport [63.11403041984197]
新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
論文参考訳（メタデータ） (2020-12-28T05:14:22Z)
A Neural Network MCMC sampler that maximizes Proposal Entropy [3.4698840925433765]
ニューラルネットワークでサンプルを増強することで、効率が向上する可能性がある。我々のネットワークアーキテクチャは、ターゲット分布の勾配を利用して提案を生成する。適応型サンプリング器はランゲヴィン力学サンプリング器よりもはるかに高い提案エントロピーで非バイアスサンプリングを実現する。
論文参考訳（メタデータ） (2020-10-07T18:01:38Z)
Stochastic-Sign SGD for Federated Learning with Theoretical Guarantees [49.91477656517431]
量子化に基づく解法は、フェデレートラーニング(FL)において広く採用されている。上記のプロパティをすべて享受する既存のメソッドはありません。本稿では,SIGNSGDに基づく直感的かつ理論的に簡易な手法を提案し,そのギャップを埋める。
論文参考訳（メタデータ） (2020-02-25T15:12:15Z)

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。