論文の概要: A Semi-Bayesian Nonparametric Hypothesis Test Using Maximum Mean
Discrepancy with Applications in Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2303.02637v1
- Date: Sun, 5 Mar 2023 10:36:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-07 18:32:59.871518
- Title: A Semi-Bayesian Nonparametric Hypothesis Test Using Maximum Mean
Discrepancy with Applications in Generative Adversarial Networks
- Title(参考訳): 最大平均差を用いた半ベイズ的非パラメトリック仮説テストと生成逆数ネットワークへの応用
- Authors: Forough Fazeli-Asl, Michael Minyi Zhang, Lizhen Lin
- Abstract要約: 2サンプル仮説テスト問題に対する半ベイズ的非パラメトリック(セミBNP)手法を提案する。
まず、新しいBNP最大平均誤差(MMD)測度に基づく仮説を導出する。
次に,提案したテストは,偽の拒絶やnullの受け入れ率を小さくすることで,頻繁なMDDベースの手法よりも優れていることを示す。
- 参考スコア(独自算出の注目度): 6.647260485821487
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A classic inferential problem in statistics is the two-sample hypothesis
test, where we test whether two samples of observations are either drawn from
the same distribution or two distinct distributions. However, standard methods
for performing this test require strong distributional assumptions on the two
samples of data. We propose a semi-Bayesian nonparametric (semi-BNP) procedure
for the two-sample hypothesis testing problem. First, we will derive a novel
BNP maximum mean discrepancy (MMD) measure-based hypothesis test. Next, we will
show that our proposed test will outperform frequentist MMD-based methods by
yielding a smaller false rejection and acceptance rate of the null. Finally, we
will show that we can embed our proposed hypothesis testing procedure within a
generative adversarial network (GAN) framework as an application of our method.
Using our novel BNP hypothesis test, this new GAN approach can help to mitigate
the lack of diversity in the generated samples and produce a more accurate
inferential algorithm compared to traditional techniques.
- Abstract(参考訳): 統計学における古典的な推論問題は、2サンプル仮説テストであり、2つの観測サンプルが同じ分布から引き出されるか、2つの異なる分布から引き出されるかをテストする。
しかし、このテストを実行する標準的な方法は、2つのサンプルデータに対して強い分布仮定を必要とする。
2サンプル仮説テスト問題に対する半ベイズ非パラメトリック(セミBNP)手法を提案する。
まず、新しいBNP最大平均誤差(MMD)測度に基づく仮説を導出する。
次に,提案したテストは,偽の拒絶やnullの受け入れ率を小さくすることで,頻繁なMDDベースの手法よりも優れていることを示す。
最後に,提案手法の応用として,gan(generative adversarial network)フレームワークに提案手法を組み込むことができることを示す。
我々の新しいBNP仮説テストを用いて、この新しいGANアプローチは、生成されたサンプルの多様性の欠如を緩和し、従来の手法と比較してより正確な推論アルゴリズムを生成するのに役立つ。
関連論文リスト
- Source-Free Unsupervised Domain Adaptation with Hypothesis Consolidation
of Prediction Rationale [53.152460508207184]
Source-Free Unsupervised Domain Adaptation (SFUDA)は、モデルがターゲットのドメインラベルやソースドメインデータにアクセスせずに新しいドメインに適応する必要がある、という課題である。
本稿では,各サンプルについて複数の予測仮説を考察し,各仮説の背景にある理論的根拠について考察する。
最適性能を達成するために,モデル事前適応,仮説統合,半教師付き学習という3段階の適応プロセスを提案する。
論文 参考訳(メタデータ) (2024-02-02T05:53:22Z) - A powerful rank-based correction to multiple testing under positive
dependency [48.098218835606055]
ファミリーワイドエラー率(FWER)を制御した新しい多重仮説検定補正法を開発した。
提案アルゴリズムである$textttmax-rank$は、計算されたテスト統計のランク領域における$max$-operatorの使用に依存して、概念的に直進的である。
論文 参考訳(メタデータ) (2023-11-17T22:44:22Z) - Calibrating Neural Simulation-Based Inference with Differentiable
Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。
古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。
既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文 参考訳(メタデータ) (2023-10-20T10:20:45Z) - Provably Efficient Bayesian Optimization with Unbiased Gaussian Process
Hyperparameter Estimation [52.035894372374756]
目的関数の大域的最適値にサブ線形収束できる新しいBO法を提案する。
本手法では,BOプロセスにランダムなデータポイントを追加するために,マルチアームバンディット法 (EXP3) を用いる。
提案手法は, 様々な合成および実世界の問題に対して, 既存の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-06-12T03:35:45Z) - Piecewise Deterministic Markov Processes for Bayesian Neural Networks [20.865775626533434]
現代のベイズニューラルネットワーク(BNN)の推論は、しばしば変分推論処理に依存し、独立性や後部の形態に反する仮定を示唆する。
新しいPiecewise Deterministic Markov Process (PDMP) サンプリングはサブサンプリングを許容するが、サンプリングが難しい不均一なPoisson Process (IPP) モデルを導入する。
本研究はIPPからのサンプリングのための新しい汎用的かつ適応的なスライニング手法を導入し、BNNにおける推論のためのPDMPの適用をいかに加速するかを示す。
論文 参考訳(メタデータ) (2023-02-17T06:38:16Z) - Spectral Regularized Kernel Two-Sample Tests [7.122170439221738]
MMD (maximum mean discrepancy) two-sample test は,Hellinger 距離で測定された分離境界において最適ではないことを示す。
本稿では、正規化パラメータを選択するためのデータ駆動型戦略を含む、上記のテストの適応バージョンを提案する。
この結果から,テストしきい値がサンプルの置換によって選択されるテストの置換変種について検討した。
論文 参考訳(メタデータ) (2022-12-19T00:42:21Z) - Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。
また、局所的な一貫性の結果に基づいた理論的保証も提供する。
この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
論文 参考訳(メタデータ) (2022-11-17T15:48:06Z) - AdaPT-GMM: Powerful and robust covariate-assisted multiple testing [0.7614628596146599]
偽発見率(FDR)制御を用いた複数検定の実証的ベイズ法を提案する。
本手法は,アダプティブp値しきい値法(AdaPT)をマスク方式の一般化により洗練する。
我々は、AdaPT-GMMと呼ばれる新しい手法が一貫して高出力を実現することを、広範囲にわたるシミュレーションと実データ例で示す。
論文 参考訳(メタデータ) (2021-06-30T05:06:18Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳(メタデータ) (2020-11-05T08:04:34Z) - Nonparametric Inference under B-bits Quantization [5.958064620718292]
そこで本研究では,B$ビットに量子化されたサンプルに基づく非パラメトリック試験手法を提案する。
特に、B$が一定の閾値を超えると、提案した非パラメトリックテスト手順が古典的なミニマックステスト率を達成することを示す。
論文 参考訳(メタデータ) (2019-01-24T18:43:16Z)
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。