論文の概要: Ensemble transport smoothing -- Part 1: unified framework

• arxiv url: http://arxiv.org/abs/2210.17000v1
• Date: Mon, 31 Oct 2022 01:10:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 19:03:22.824402
• Title: Ensemble transport smoothing -- Part 1: unified framework
• Title（参考訳）: Ensemble Transport smoothing -- Part 1: 統一フレームワーク
• Authors: Maximilian Ramgraber, Ricardo Baptista, Dennis McLaughlin, Youssef Marzouk
• Abstract要約: 本稿では,輸送型平滑化のための一般的なアンサンブルフレームワークを提案する。 完全に非ガウス的な設定で状態空間モデルの構造をどのように活用するかを詳述する。 本稿では, 非線形アンサンブル搬送スムーサのより深い実装について検討する。
• 参考スコア（独自算出の注目度）: 1.5293427903448018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Smoothers are algorithms for Bayesian time series re-analysis. Most operational smoothers rely either on affine Kalman-type transformations or on sequential importance sampling. These strategies occupy opposite ends of a spectrum that trades computational efficiency and scalability for statistical generality and consistency: non-Gaussianity renders affine Kalman updates inconsistent with the true Bayesian solution, while the ensemble size required for successful importance sampling can be prohibitive. This paper revisits the smoothing problem from the perspective of measure transport, which offers the prospect of consistent prior-to-posterior transformations for Bayesian inference. We leverage this capacity by proposing a general ensemble framework for transport-based smoothing. Within this framework, we derive a comprehensive set of smoothing recursions based on nonlinear transport maps and detail how they exploit the structure of state-space models in fully non-Gaussian settings. We also describe how many standard Kalman-type smoothing algorithms emerge as special cases of our framework. A companion paper explores the implementation of nonlinear ensemble transport smoothers in greater depth.
• Abstract（参考訳）: smoothers はベイズ時系列再解析のアルゴリズムである。 ほとんどの操作スムーダはアフィンカルマン型変換または逐次重要サンプリングに依存する。 これらの戦略は、統計一般性と一貫性のために計算効率とスケーラビリティを交換するスペクトルの反対端を占有する: 非ガウス性は真のベイズ解と矛盾しないアフィン・カルマンの更新を誘導するが、重要サンプリングの成功に必要なアンサンブルサイズは禁じられる。 本稿では,測度輸送の観点からスムーズな問題を再考し,ベイズ予想に対する一貫した先-後変換の可能性を示唆する。 我々はこの能力を利用して、輸送ベースの平滑化のための一般的なアンサンブルフレームワークを提案する。 本枠組みでは,非線形輸送写像に基づくスムーズな再帰の包括的集合を導出し,非ガウス的条件下での状態空間モデルの構造をどのように活用するかを詳述する。 また,標準kalman型平滑化アルゴリズムの出現回数を,フレームワークの特別な場合として記述した。 本稿では, 非線形アンサンブル搬送スムーサのより深い実装について検討する。

関連論文リスト

• Generalized Schrödinger Bridge Matching [54.171931505066]
  一般化Schr"odinger Bridge (GSB) 問題設定は、機械学習の内外を問わず、多くの科学領域で一般的である。 我々は最近の進歩に触発された新しいマッチングアルゴリズムである一般化シュリンガーブリッジマッチング(GSBM)を提案する。 このような一般化は条件最適制御の解法として、変分近似を用いることができることを示す。
  論文  参考訳（メタデータ） (2023-10-03T17:42:11Z)
• SIGMA: Scale-Invariant Global Sparse Shape Matching [50.385414715675076]
  非剛体形状の正確なスパース対応を生成するための新しい混合整数プログラミング(MIP)法を提案する。 いくつかの挑戦的な3Dデータセットに対して,スパースな非剛性マッチングの最先端結果を示す。
  論文  参考訳（メタデータ） (2023-08-16T14:25:30Z)
• Moreau-Yoshida Variational Transport: A General Framework For Solving Regularized Distributional Optimization Problems [3.038642416291856]
  クラス確率分布上に定義された複合目的関数を最小化する一般的な最適化問題を考える。 本稿では,正規分布最適化問題の解法として,モロー・吉田変分輸送(MYVT)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-07-31T01:14:42Z)
• Random Smoothing Regularization in Kernel Gradient Descent Learning [24.383121157277007]
  古典的ソボレフ空間に属する幅広い基底真理関数を適応的に学習できるランダムなスムーズな正規化のための枠組みを提案する。 我々の推定器は、基礎となるデータの構造的仮定に適応し、次元の呪いを避けることができる。
  論文  参考訳（メタデータ） (2023-05-05T13:37:34Z)
• Instance-Dependent Generalization Bounds via Optimal Transport [51.71650746285469]
  既存の一般化境界は、現代のニューラルネットワークの一般化を促進する重要な要因を説明することができない。 データ空間における学習予測関数の局所リプシッツ正則性に依存するインスタンス依存の一般化境界を導出する。 ニューラルネットワークに対する一般化境界を実験的に解析し、有界値が有意義であることを示し、トレーニング中の一般的な正規化方法の効果を捉える。
  論文  参考訳（メタデータ） (2022-11-02T16:39:42Z)
• Ensemble transport smoothing. Part II: Nonlinear updates [0.40964539027092906]
  非線形逆アンサンブル輸送スムーサの実証と実演を行う。 我々のスムラは従来の線形スムラやカルマン・スムラよりも低い推定誤差が得られる。
  論文  参考訳（メタデータ） (2022-10-31T16:04:14Z)
• Learning Globally Smooth Functions on Manifolds [94.22412028413102]
  スムーズな関数の学習は、線形モデルやカーネルモデルなどの単純なケースを除いて、一般的に難しい。 本研究は,半無限制約学習と多様体正規化の技法を組み合わせることで,これらの障害を克服することを提案する。 軽度条件下では、この手法は解のリプシッツ定数を推定し、副生成物として大域的に滑らかな解を学ぶ。
  論文  参考訳（メタデータ） (2022-10-01T15:45:35Z)
• A Quadrature Rule combining Control Variates and Adaptive Importance Sampling [0.0]
  モンテカルロ積分推定の精度を向上させるために, 単純重み付き最小二乗法が有効であることを示す。 我々の主な成果は、プロシージャの確率的誤差の非漸近的境界である。 この手法のよい振る舞いは、ベイズ線形回帰のための合成例と実世界のデータに実証的に説明される。
  論文  参考訳（メタデータ） (2022-05-24T08:21:45Z)
• Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
  本稿では,3次元形状対応のための教師なし学習手法を提案する。 提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-28T22:24:07Z)
• Support recovery and sup-norm convergence rates for sparse pivotal estimation [79.13844065776928]
  高次元スパース回帰では、ピボット推定器は最適な正規化パラメータがノイズレベルに依存しない推定器である。 非滑らかで滑らかな単一タスクとマルチタスク正方形ラッソ型推定器に対するミニマックス超ノルム収束率を示す。
  論文  参考訳（メタデータ） (2020-01-15T16:11:04Z)

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。