論文の概要: Bayesian data fusion with shared priors
- arxiv url: http://arxiv.org/abs/2212.07311v1
- Date: Wed, 14 Dec 2022 16:16:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-15 14:25:22.120410
- Title: Bayesian data fusion with shared priors
- Title（参考訳）: 共有プリミティブを用いたベイズデータ融合
- Authors: Peng Wu, Tales Imbiriba, Victor Elvira, Pau Closas
- Abstract要約: ベイズの設定では、未知量の事前情報が利用可能であり、おそらくは分散推定器間で共有される。
本稿では,ベイジアンデータ融合における事前共有の影響について考察する。
融合ルールと分析を提供し、共同エージェントの数と前者の不確実性の関数としての融合の性能を理解する。
- 参考スコア（独自算出の注目度）: 16.1748089254415
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The integration of data and knowledge from several sources is known as data
fusion. When data is available in a distributed fashion or when different
sensors are used to infer a quantity of interest, data fusion becomes
essential. In Bayesian settings, a priori information of the unknown quantities
is available and, possibly, shared among the distributed estimators. When the
local estimates are fused, such prior might be overused unless it is accounted
for. This paper explores the effects of shared priors in Bayesian data fusion
contexts, providing fusion rules and analysis to understand the performance of
such fusion as a function of the number of collaborative agents and the
uncertainty of the priors. Analytical results are corroborated through
experiments in a variety of estimation and classification problems.
- Abstract（参考訳）: データと知識の統合はデータ融合として知られている。
データが分散形式で利用可能である場合や、異なるセンサーを使用して興味を推測する場合、データ融合が必須となる。
ベイズの設定では、未知量の事前情報は利用可能であり、おそらく分散推定器間で共有される。
現地の推定値が融通された場合、その事前値が説明されない限り、過剰に使用される可能性がある。
本稿では,ベイズデータ融合の文脈における共有プリエントの効果について検討し,協調エージェント数とプリエントの不確かさの関数としての性能を理解するためのフュージョンルールと分析を提供する。
分析結果は、様々な評価と分類問題の実験によって裏付けられる。
関連論文リスト
- Cross-Dataset Gaze Estimation by Evidential Inter-intra Fusion [38.93368421481945]
クロスデータセットモデルをトレーニングするための新しいEvidential Inter-Intra Fusion EIFフレームワークを提案する。
さまざまなデータセットに対して独立した単一データセットのブランチを構築します。
さらに、単一データセットのブランチから一般化可能な機能を統合するために、クロスデータセットのブランチを作成します。
論文 参考訳（メタデータ） (2024-09-07T08:53:17Z) - Mutual Information Multinomial Estimation [53.58005108981247]
相互情報(MI)の推定は、データサイエンスと機械学習の基本的な課題である。
我々の主な発見は、データ分布の予備的な推定が、劇的に予測に役立ちます。
非ガウス的合成問題を含む多種多様な課題に対する実験は,本手法の利点を実証している。
論文 参考訳（メタデータ） (2024-08-18T06:27:30Z) - Bayesian Joint Additive Factor Models for Multiview Learning [7.254731344123118]
マルチオミクスデータが収集され、臨床結果と相関する精度医学の文脈でモチベーション応用が生じる。
本稿では,共有およびビュー固有のコンポーネントを考慮に入れた,構造化された付加的設計を伴うJAFAR(Joint Additive Factor regression model)を提案する。
免疫,メタボローム,プロテオームデータから得られた時間とラベルの発症の予測は,最先端の競合相手に対するパフォーマンス向上を示す。
論文 参考訳（メタデータ） (2024-06-02T15:35:45Z) - Synthetic Tabular Data Validation: A Divergence-Based Approach [8.062368743143388]
分散は、データ分散間の相違を定量化する。
従来のアプローチでは、各特徴に対して独立して発散率を計算する。
本稿では,差分推定を用いて限界比較の限界を克服する手法を提案する。
論文 参考訳（メタデータ） (2024-05-13T15:07:52Z) - On the Properties and Estimation of Pointwise Mutual Information Profiles [49.877314063833296]
ポイントワイド相互情報プロファイル(ポイントワイド相互情報プロファイル、英: pointwise mutual information profile)は、与えられた確率変数のペアに対するポイントワイド相互情報の分布である。
そこで我々は,モンテカルロ法を用いて分布を正確に推定できる新しい分布系 Bend と Mix Models を導入する。
論文 参考訳（メタデータ） (2023-10-16T10:02:24Z) - Approximating Counterfactual Bounds while Fusing Observational, Biased
and Randomised Data Sources [64.96984404868411]
我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。
利用可能なデータの可能性は局所的な最大値を持たないことを示す。
次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
論文 参考訳（メタデータ） (2023-07-31T11:28:24Z) - DCID: Deep Canonical Information Decomposition [84.59396326810085]
本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。
そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。
また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
論文 参考訳（メタデータ） (2023-06-27T16:59:06Z) - Beyond Normal: On the Evaluation of Mutual Information Estimators [52.85079110699378]
そこで本研究では,既知の地道的相互情報を用いて,多種多様な分布群を構築する方法について述べる。
本稿では,問題の難易度に適応した適切な推定器の選択方法について,実践者のためのガイドラインを提供する。
論文 参考訳（メタデータ） (2023-06-19T17:26:34Z) - Using Mixed-Effect Models to Learn Bayesian Networks from Related Data
Sets [0.04297070083645048]
混合効果モデルを用いて連続データからベイズネットワークを学習するための類似解を提供する。
本研究では,その構造,パラメトリック,予測,分類の精度について検討する。
この改善は、低いサンプルサイズとバランスの取れないデータセットに特徴付けられる。
論文 参考訳（メタデータ） (2022-06-08T08:32:32Z) - Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
多視点問題は潜在変数モデルに直面することができる。
高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。
両アプローチを単一モデルにマージすることを提案する。
論文 参考訳（メタデータ） (2020-06-01T14:25:38Z)
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。