論文の概要: Copula Density Neural Estimation

• arxiv url: http://arxiv.org/abs/2211.15353v1
• Date: Fri, 25 Nov 2022 10:53:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 17:10:43.092512
• Title: Copula Density Neural Estimation
• Title（参考訳）: コピュラ密度ニューラル推定
• Authors: Nunzio A. Letizia, Andrea M. Tonello
• Abstract要約: 我々はコプラの概念を利用して、観測データに関連する確率密度関数を推定する。 その結果,新しい学習手法は複雑な分布をモデル化することができ,相互情報推定やデータ生成にも適用可能であることがわかった。
• 参考スコア（独自算出の注目度）: 4.86067125387358
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Probability density estimation from observed data constitutes a central task in statistics. Recent advancements in machine learning offer new tools but also pose new challenges. The big data era demands analysis of long-range spatial and long-term temporal dependencies in large collections of raw data, rendering neural networks an attractive solution for density estimation. In this paper, we exploit the concept of copula to explicitly build an estimate of the probability density function associated to any observed data. In particular, we separate univariate marginal distributions from the joint dependence structure in the data, the copula itself, and we model the latter with a neural network-based method referred to as copula density neural estimation (CODINE). Results show that the novel learning approach is capable of modeling complex distributions and it can be applied for mutual information estimation and data generation.
• Abstract（参考訳）: 観測データからの確率密度推定は統計学における中心的な課題である。 機械学習の最近の進歩は、新しいツールを提供するが、新しい課題ももたらす。 ビッグデータの時代は、大量の生データに対する長期的空間的および長期的依存関係の分析を必要とし、ニューラルネットワークを密度推定のための魅力的なソリューションにする。 本稿では,任意の観測データに付随する確率密度関数を明示的に推定するために,copulaの概念を利用する。 特に,データの結合依存構造であるcopula自体から不定限界分布を分離し,後者をcopula密度神経推定(codine)と呼ばれるニューラルネットワークに基づく手法でモデル化する。 その結果,新しい学習手法は複雑な分布をモデル化することができ,相互情報推定やデータ生成にも応用できることがわかった。

関連論文リスト

• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
  我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。 提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
  論文  参考訳（メタデータ） (2023-07-12T16:28:21Z)
• Squared Neural Families: A New Class of Tractable Density Models [23.337256081314518]
  正方形ニューラルネットワークファミリー(SNEFY)と呼ばれる新しい確率分布のクラスを開発し,検討する。 SNEFYsは、多くの興味のある場合において閉形式正規化定数を認め、フレキシブルで完全にトラクタブルな密度モデルをもたらすことを示す。 それらのユーティリティは、データタスクの欠如による様々な密度推定、条件付き密度推定、および密度推定について説明される。
  論文  参考訳（メタデータ） (2023-05-22T23:56:11Z)
• Score Approximation, Estimation and Distribution Recovery of Diffusion Models on Low-Dimensional Data [68.62134204367668]
  本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。 適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。 推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
  論文  参考訳（メタデータ） (2023-02-14T17:02:35Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Featurized Density Ratio Estimation [82.40706152910292]
  本研究では,2つの分布を推定前の共通特徴空間にマッピングするために,可逆生成モデルを活用することを提案する。 この偉業化は、学習された入力空間の密度比が任意に不正確な場合、潜在空間において密度が密接な関係をもたらす。 同時に、特徴写像の可逆性は、特徴空間で計算された比が入力空間で計算された比と同値であることを保証する。
  論文  参考訳（メタデータ） (2021-07-05T18:30:26Z)
• Deep Data Density Estimation through Donsker-Varadhan Representation [5.276937617129594]
  我々は,深層ニューラルネットワークとドンスカー・バラダン変分法を用いて,KL偏差に基づくデータ密度を簡易かつ効果的に推定する手法を提案する。 本研究では,ドンスカー・バラダン表現におけるデータと一様分布の発散に関する最適批判関数が,データ密度を推定できることを示した。
  論文  参考訳（メタデータ） (2021-04-14T03:38:32Z)
• Deep Archimedean Copulas [98.96141706464425]
  ACNetは、構造的特性を強制する、新しい差別化可能なニューラルネットワークアーキテクチャである。 我々は、ACNetが共通のアルキメデスコピュラスを近似し、データに適合する可能性のある新しいコプラを生成することができることを示した。
  論文  参考訳（メタデータ） (2020-12-05T22:58:37Z)
• Semi-Structured Deep Piecewise Exponential Models [2.7728956081909346]
  本稿では,統計学の先進的な概念と深層学習を組み合わせた生存分析のための多目的フレームワークを提案する。 この枠組みを用いてアルツハイマー病の進行を予測することによって概念実証を行う。
  論文  参考訳（メタデータ） (2020-11-11T14:41:19Z)
• Neural Approximate Sufficient Statistics for Implicit Models [34.44047460667847]
  我々は、深層ニューラルネットワークの助けを借りて、データの表現を最大化する相互情報の学習として、十分な統計情報を構築するタスクの枠組みを定めている。 従来のベイズ近似計算と最近のニューラル・サイエンス法の両方にアプローチを適用し,様々なタスクにおける性能を向上する。
  論文  参考訳（メタデータ） (2020-10-20T07:11:40Z)
• Latent Network Structure Learning from High Dimensional Multivariate Point Processes [5.079425170410857]
  本研究では,観測データの基盤となる複雑な過程を特徴付けるために,非定常ホークスプロセスの新たなクラスを提案する。 効率のよい最小二乗推定手法を用いて潜在ネットワーク構造を推定する。 シミュレーション研究を通じて提案手法の有効性を実証し, ニューロンスパイクトレインデータセットへの適用について述べる。
  論文  参考訳（メタデータ） (2020-04-07T17:48:01Z)

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。