論文の概要: Copula Density Neural Estimation

• arxiv url: http://arxiv.org/abs/2211.15353v2
• Date: Fri, 07 Feb 2025 11:24:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-10 18:29:32.607063
• 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）: 7.23595908728086
• 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）: 観測データから確率密度を推定すること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、同時に新しい課題も生んでいる。 ビッグデータの時代は、大量の生データのコレクションにおいて、長期の空間的および長期の時間的依存関係の分析を要求し、ニューラルネットワークを密度推定の魅力的なソリューションにする。 本稿では,コプラの概念を利用して,観測データに関連付けられた確率密度関数を明示的に推定する。 特に、データ中の結合依存構造、コプラ自体から一変量境界分布を分離し、コプラ密度ニューラルネットワーク推定(CODINE)と呼ばれるニューラルネットワークに基づく手法で後者をモデル化する。 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適用可能であることがわかった。

関連論文リスト

• Continuous Temporal Learning of Probability Distributions via Neural ODEs with Applications in Continuous Glucose Monitoring Data [0.0]
  目標は、グルコースなどのバイオマーカーの分布が時間とともにどのように変化するか、そして糖尿病のような慢性疾患の進行をどのように反映するかを分析することである。 本稿では,連続時間プロセスの進化を捉えたガウス混合に基づく確率モデルを提案する。 提案手法は, 平均離散性 (MMD) と混合重みの時間的進化を規定するニューラル正規微分方程式 (Neural Ordinary Differential Equation (Neural ODE) を併用した分布の非パラメトリック推定法である。
  論文  参考訳（メタデータ） (2025-05-13T15:57:06Z)
• Your copula is a classifier in disguise: classification-based copula density estimation [2.5261465733373965]
  本稿では,コプラ密度推定を識別タスクとして再解釈する。 我々は、よく知られたコプラクラスと、我々の解釈に自然に生じる分類問題との同値性を導出する。 推定器が最大推定値に類似した理論的保証を達成することを示す。
  論文  参考訳（メタデータ） (2024-11-05T11:25:34Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• 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)
• Empirical Density Estimation based on Spline Quasi-Interpolation with applications to Copulas clustering modeling [0.0]
  密度推定は、様々な分野において、基礎となるデータの分布をモデル化し理解するための基礎的な手法である。 本稿では,擬似補間による密度の単変量近似を提案する。 提案アルゴリズムは人工データセットと実データセットで検証される。
  論文  参考訳（メタデータ） (2024-02-18T11:49:38Z)
• 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)
• Copula-Based Density Estimation Models for Multivariate Zero-Inflated Continuous Data [0.0]
  ゼロインフレート連続変数間の多変量相関に対処できる2つのコプラに基づく密度推定モデルを提案する。 ゼロインフレーションデータにおける結び付きデータ問題によるコプラの使用の難しさを克服するために,我々は新しいタイプのコプラ,補正されたガウスコプラを提案する。
  論文  参考訳（メタデータ） (2023-04-02T13:43:37Z)
• 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 to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• 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。