論文の概要: Recurrent Neural Networks and Universal Approximation of Bayesian Filters

• arxiv url: http://arxiv.org/abs/2211.00335v1
• Date: Tue, 1 Nov 2022 09:01:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 13:43:46.345730
• Title: Recurrent Neural Networks and Universal Approximation of Bayesian Filters
• Title（参考訳）: 繰り返しニューラルネットワークとベイズフィルタの普遍近似
• Authors: Adrian N. Bishop and Edwin V. Bonilla
• Abstract要約: 最適フィルタリングのための一般的なリカレントニューラルネットワークフレームワークを定式化する。 一般の非コンパクト領域におけるフィルタリングのための近似誤差境界を提供する。 また、長い時間性能を保証する強い時間一様近似誤差バウンダリについても検討する。
• 参考スコア（独自算出の注目度）: 11.911817333905331
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the Bayesian optimal filtering problem: i.e. estimating some conditional statistics of a latent time-series signal from an observation sequence. Classical approaches often rely on the use of assumed or estimated transition and observation models. Instead, we formulate a generic recurrent neural network framework and seek to learn directly a recursive mapping from observational inputs to the desired estimator statistics. The main focus of this article is the approximation capabilities of this framework. We provide approximation error bounds for filtering in general non-compact domains. We also consider strong time-uniform approximation error bounds that guarantee good long-time performance. We discuss and illustrate a number of practical concerns and implications of these results.
• Abstract（参考訳）: ベイズ最適フィルタ問題を考える:すなわち、観測シーケンスから潜在時系列信号の条件統計を推定する。 古典的なアプローチは、しばしば仮定または推定された遷移と観測モデルの使用に依存する。 代わりに、一般的なリカレントニューラルネットワークフレームワークを定式化し、観測入力から所望の推定器統計への再帰的マッピングを直接学習する。 この記事の主な焦点は、このフレームワークの近似能力である。 一般の非コンパクト領域におけるフィルタリングに近似誤差境界を与える。 また,長い時間性能を保証する強時間一様近似誤差境界についても考察する。 これらの結果の実際的な懸念と意味について論じる。

関連論文リスト

• Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
  本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。 観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。 本手法は, 推定手法よりも有効であることを示す。
  論文  参考訳（メタデータ） (2024-08-26T08:39:09Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Learning a Gaussian Mixture for Sparsity Regularization in Inverse Problems [2.375943263571389]
  逆問題では、スパーシティ事前の組み込みは、解に対する正則化効果をもたらす。 本稿では,ガウスの混合として事前に定式化された確率的疎性について提案する。 我々は、このネットワークのパラメータを推定するために、教師なしのトレーニング戦略と教師なしのトレーニング戦略をそれぞれ導入した。
  論文  参考訳（メタデータ） (2024-01-29T22:52:57Z)
• On diffusion-based generative models and their error bounds: The log-concave case with full convergence estimates [5.13323375365494]
  我々は,強い対数対数データの下での拡散に基づく生成モデルの収束挙動を理論的に保証する。 スコア推定に使用される関数のクラスは、スコア関数上のリプシッツネスの仮定を避けるために、リプシッツ連続関数からなる。 この手法はサンプリングアルゴリズムにおいて最もよく知られた収束率をもたらす。
  論文  参考訳（メタデータ） (2023-11-22T18:40:45Z)
• Provably Convergent Schr\"odinger Bridge with Applications to Probabilistic Time Series Imputation [21.27702285561771]
  近似射影に基づくSchr"odinger Bridgeアルゴリズムの1次収束解析を提案する。 実例として,観測データに条件付き欠落値を生成することにより,確率的時系列計算にSBPを適用した。
  論文  参考訳（メタデータ） (2023-05-12T04:39:01Z)
• A Statistical Model for Predicting Generalization in Few-Shot Classification [6.158812834002346]
  一般化誤差を予測するために,特徴分布のガウスモデルを導入する。 提案手法は, 相互検証戦略の離脱など, 代替案よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-13T10:21:15Z)
• 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)
• Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
  正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。 一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
  論文  参考訳（メタデータ） (2022-02-23T06:11:49Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• Tolerance and Prediction Intervals for Non-normal Models [0.0]
  予測間隔は、繰り返しサンプリングにおいてランダムプロセスから将来の観察をカバーする。 寛容間隔は繰り返しサンプリングにおいて集団パーセンタイルをカバーし、しばしば中心的な量に基づいている。
  論文  参考訳（メタデータ） (2020-11-23T17:48:09Z)
• Being Bayesian, Even Just a Bit, Fixes Overconfidence in ReLU Networks [65.24701908364383]
  我々は、ReLUネットワーク上の不確実性に対する十分条件が「少しベイズ校正される」ことを示す。 さらに,これらの知見を,共通深部ReLUネットワークとLaplace近似を用いた各種標準実験により実証的に検証した。
  論文  参考訳（メタデータ） (2020-02-24T08:52:06Z)

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。