論文の概要: High-dimensional density estimation with tensorizing flow
- arxiv url: http://arxiv.org/abs/2212.00759v1
- Date: Thu, 1 Dec 2022 18:45:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 15:48:16.794643
- Title: High-dimensional density estimation with tensorizing flow
- Title（参考訳）: テンソル化流による高次元密度推定
- Authors: Yinuo Ren, Hongli Zhao, Yuehaw Khoo, Lexing Ying
- Abstract要約: 観測データから高次元確率密度関数を推定するテンソル化流法を提案する。
提案手法は、テンソルトレインの最適化のない特徴とフローベース生成モデルの柔軟性を組み合わせたものである。
- 参考スコア（独自算出の注目度）: 5.457842083043014
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose the tensorizing flow method for estimating high-dimensional
probability density functions from the observed data. The method is based on
tensor-train and flow-based generative modeling. Our method first efficiently
constructs an approximate density in the tensor-train form via solving the
tensor cores from a linear system based on the kernel density estimators of
low-dimensional marginals. We then train a continuous-time flow model from this
tensor-train density to the observed empirical distribution by performing a
maximum likelihood estimation. The proposed method combines the
optimization-less feature of the tensor-train with the flexibility of the
flow-based generative models. Numerical results are included to demonstrate the
performance of the proposed method.
- Abstract（参考訳）: 観測データから高次元確率密度関数を推定するテンソル化流法を提案する。
本手法はテンソルトレインとフローベース生成モデルに基づく。
提案手法はまず,低次元縁のカーネル密度推定器に基づく線形系からテンソルコアを解くことにより,テンソルトレイン形状の近似密度を効率的に構築する。
次に, このテンソル-トレイン密度から観測実験分布まで, 最大確率推定を行い, 連続時間フローモデルを訓練する。
提案手法はテンソルトレインの最適化なし特徴とフローベース生成モデルの柔軟性を組み合わせたものである。
提案手法の性能を示すために, 数値計算結果を含む。
関連論文リスト
- Diffusion Density Estimators [0.0]
本稿では,フローを解くことなくログ密度を計算できる新しい並列化手法を提案する。
我々のアプローチは、モンテカルロによる経路積分を、拡散モデルのシミュレーション不要な訓練と同一の方法で推定することに基づいている。
論文 参考訳（メタデータ） (2024-10-09T15:21:53Z) - TERM Model: Tensor Ring Mixture Model for Density Estimation [48.622060998018206]
本稿では,密度推定器のテンソルリング分解を行い,置換候補の数を著しく削減する。
適応重み付き複数の置換候補を組み込んだ混合モデルはさらに設計され、表現柔軟性が向上する。
このアプローチは、最適置換以外にも、最適置換が独特な情報を提供できることを認めている。
論文 参考訳（メタデータ） (2023-12-13T11:39:56Z) - Generative Modeling via Hierarchical Tensor Sketching [12.005736675688917]
経験的分布を用いた高次元確率密度近似のための階層的テンソルネットワーク手法を提案する。
結果のアルゴリズムの複雑さは高次元密度の次元で線形にスケールする。
論文 参考訳（メタデータ） (2023-04-11T15:55:13Z) - Diffusion Models are Minimax Optimal Distribution Estimators [49.47503258639454]
拡散モデリングの近似と一般化能力について、初めて厳密な分析を行った。
実密度関数がベソフ空間に属し、経験値整合損失が適切に最小化されている場合、生成したデータ分布は、ほぼ最小の最適推定値が得られることを示す。
論文 参考訳（メタデータ） (2023-03-03T11:31:55Z) - Nonlinear Isometric Manifold Learning for Injective Normalizing Flows [58.720142291102135]
アイソメトリーを用いて、多様体学習と密度推定を分離する。
また、確率分布を歪ませない明示的な逆数を持つ埋め込みを設計するためにオートエンコーダを用いる。
論文 参考訳（メタデータ） (2022-03-08T08:57:43Z) - Density-Based Clustering with Kernel Diffusion [59.4179549482505]
単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。
局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
論文 参考訳（メタデータ） (2021-10-11T09:00:33Z) - Tensor-Train Density Estimation [16.414910030716555]
密度推定(TTDE)のための高効率テンソルトレインモデルを提案する。
このような密度パラメトリゼーションは、正確なサンプリング、累積および限界密度関数の計算、および分割関数を可能にする。
TTDEは,トレーニング速度において競技者よりも有意に優れていた。
論文 参考訳（メタデータ） (2021-07-30T21:51:12Z) - Low-rank Characteristic Tensor Density Estimation Part I: Foundations [38.05393186002834]
テンソル因子化ツールに基づく新しい手法を提案する。
次元の呪いを回避するため、この特性テンソルの低ランクモデルを導入する。
提案手法の有望な性能を,複数の測定データを用いて実証する。
論文 参考訳（メタデータ） (2020-08-27T18:06:19Z) - Multi-View Spectral Clustering Tailored Tensor Low-Rank Representation [105.33409035876691]
本稿では,テンソル低ランクモデルに基づくマルチビュースペクトルクラスタリング(MVSC)の問題について検討する。
MVSCに適合する新しい構造テンソル低ランクノルムを設計する。
提案手法は最先端の手法よりもかなり優れていることを示す。
論文 参考訳（メタデータ） (2020-04-30T11:52:12Z) - Learning Generative Models using Denoising Density Estimators [29.068491722778827]
縮退密度推定器(DDE)に基づく新しい生成モデルを提案する。
我々の主な貢献は、KL分割を直接最小化することで生成モデルを得る新しい技術である。
実験結果から, 生成モデル学習における密度推定と競争性能が大幅に向上した。
論文 参考訳（メタデータ） (2020-01-08T20:30:40Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳（メタデータ） (2019-10-31T02:26:20Z)
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。