論文の概要: Bayesian data fusion with shared priors
- arxiv url: http://arxiv.org/abs/2212.07311v2
- Date: Fri, 8 Dec 2023 16:04:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-11 19:27:22.328143
- 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、異なる分散推定器の中に存在している。
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を解析する。
- 参考スコア(独自算出の注目度): 15.906315336944484
- 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 only 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, present among the different distributed estimators.
When the local estimates are fused, the prior knowledge used to construct
several local posteriors might be overused unless the fusion node accounts for
this and corrects it. In this paper, we analyze the effects of shared priors in
Bayesian data fusion contexts. Depending on different common fusion rules, our
analysis helps to understand the performance behavior as a function of the
number of collaborative agents and as a consequence of different types of
priors. The analysis is performed by using two divergences which are common in
Bayesian inference, and the generality of the results allows to analyze very
generic distributions. These theoretical results are corroborated through
experiments in a variety of estimation and classification problems, including
linear and nonlinear models, and federated learning schemes.
- 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のみ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、未知量の事前情報が利用可能であり、おそらく異なる分散推定器の中に存在している。
局所的な推定が融合されると、いくつかの局所的な後方構造を構築するのに使われる事前の知識は、融合ノードがそれを説明し修正しない限り、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ライオリティの効果を分析する。
異なる共通融合ルールによっては, 協調エージェントの数の関数として, および, 異なる種類の事前の関数として, 性能挙動を理解するのに有用である。
解析はベイズ推論に共通する2つの発散を用いて行われ、結果の一般性から非常に一般的な分布を解析できる。
これらの理論結果は、線形および非線形モデルを含む様々な推定および分類問題および連合学習スキームの実験を通じて裏付けられる。
関連論文リスト
- A Data-Driven Two-Phase Multi-Split Causal Ensemble Model for Time
Series [0.8252665500568257]
因果推論は、多くの分野における因果関係を発見するための基本的な研究テーマである。
一部のアプローチは線形関係を特定できるだけであり、他のアプローチは非線型性に適用できる。
本稿では,データ駆動型マルチスプリット因果アンサンブルモデルを提案する。
論文 参考訳(メタデータ) (2024-03-04T14:20:41Z) - The Mixtures and the Neural Critics: On the Pointwise Mutual Information
Profiles of Fine Distributions [52.85079110699378]
本稿では,情報分布の微細化をポイントワイドな情報プロファイルの近似に利用する方法を示す。
また, 相互情報のモデルに基づくベイズ推定において, 詳細な分布をいかに利用できるかを示す。
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) - Equivariance Allows Handling Multiple Nuisance Variables When Analyzing
Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。
いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文 参考訳(メタデータ) (2022-03-29T04:54:06Z) - Information Theory Measures via Multidimensional Gaussianization [7.788961560607993]
情報理論は、データやシステムの不確実性、依存、関連性を測定するための優れたフレームワークである。
現実世界の応用にはいくつかの望ましい性質がある。
しかし,多次元データから情報を取得することは,次元性の呪いによる難題である。
論文 参考訳(メタデータ) (2020-10-08T07:22:16Z) - 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。