論文の概要: Characteristic Function of the Tsallis $q$-Gaussian and Its Applications
in Measurement and Metrology
- arxiv url: http://arxiv.org/abs/2303.08615v1
- Date: Wed, 15 Mar 2023 13:42:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-16 18:06:32.948835
- Title: Characteristic Function of the Tsallis $q$-Gaussian and Its Applications
in Measurement and Metrology
- Title（参考訳）: tsallis $q$-gaussianの特性関数とその計測・計測への応用
- Authors: Viktor Witkovsk\'y
- Abstract要約: ツァリス$q$-ガウス分布は標準ガウス分布の強力な一般化である。
これは$q$-distributionファミリーに属し、非付加エントロピーによって特徴づけられる。
本稿では,独立な$q$-ガウス確率変数の線形結合の特性について述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Tsallis $q$-Gaussian distribution is a powerful generalization of the
standard Gaussian distribution and is commonly used in various fields,
including non-extensive statistical mechanics, financial markets, and image
processing. It belongs to the $q$-distribution family, which is characterized
by a non-additive entropy. Due to their versatility and practicality,
$q$-Gaussians are a natural choice for modeling input quantities in measurement
models. This paper presents the characteristic function of a linear combination
of independent $q$-Gaussian random variables and proposes a numerical method
for its inversion. The proposed technique enables the assessment of the
probability distribution of output quantities in linear measurement models and
the conduct of uncertainty analysis in metrology.
- Abstract（参考訳）: tsallis $q$-gaussian 分布は標準ガウス分布の強力な一般化であり、非拡張的な統計力学、金融市場、画像処理など様々な分野で広く使われている。
これは$q$-distributionファミリーに属し、非付加エントロピーによって特徴づけられる。
汎用性と実用性のため、$q$-Gaussian は測定モデルの入力量をモデル化するための自然な選択である。
本稿では,独立な$q$-Gauss的確率変数の線形結合の特性関数を提案し,その逆解析法を提案する。
提案手法は,線形計測モデルにおける出力量の確率分布と,計測における不確実性解析の実施を可能にする。
関連論文リスト
- Differentiability and Approximation of Probability Functions under Gaussian Mixture Models: A Bayesian Approach [0.0]
ガウス混合モデルに関連する確率関数について検討する。
条件付き確率分布を用いて確率関数をユークリッド球面上の積分として表現する。
パラメータ空間とユークリッド球面上のランダムサンプリングを用いて確率関数を近似する。
論文 参考訳（メタデータ） (2024-11-05T01:36:27Z) - von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
円値ランダム関数上の表現的および解釈可能な分布の族を探索する。
結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。
後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
論文 参考訳（メタデータ） (2024-06-19T01:57:21Z) - Scaling and renormalization in high-dimensional regression [72.59731158970894]
本稿では,様々な高次元リッジ回帰モデルの訓練および一般化性能の簡潔な導出について述べる。
本稿では,物理と深層学習の背景を持つ読者を対象に,これらのトピックに関する最近の研究成果の紹介とレビューを行う。
論文 参考訳（メタデータ） (2024-05-01T15:59:00Z) - Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。
これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
論文 参考訳（メタデータ） (2024-03-03T04:21:21Z) - Closed-form Filtering for Non-linear Systems [83.91296397912218]
我々は密度近似と計算効率の面でいくつかの利点を提供するガウスPSDモデルに基づく新しいフィルタのクラスを提案する。
本研究では,遷移や観測がガウスPSDモデルである場合,フィルタリングを効率的にクローズド形式で行うことができることを示す。
提案する推定器は, 近似の精度に依存し, 遷移確率の正則性に適応する推定誤差を伴って, 高い理論的保証を享受する。
論文 参考訳（メタデータ） (2024-02-15T08:51:49Z) - Dynamical System Identification, Model Selection and Model Uncertainty Quantification by Bayesian Inference [0.8388591755871735]
本研究では,時系列データから動的システム同定を行うためのMAPフレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-30T12:16:52Z) - Generating random Gaussian states [0.4604003661048266]
RQCMの固有値は、多数のモードの極限においてシフト半円分布に収束することを示す。
RQCMのシンプレクティック固有値は、自由確率を用いて特徴づけられる確率分布に収束することを示す。
論文 参考訳（メタデータ） (2024-01-24T13:06:57Z) - Wrapped Distributions on homogeneous Riemannian manifolds [58.720142291102135]
パラメータ、対称性、モダリティなどの分布の性質の制御は、フレキシブルな分布の族を生み出す。
変動型オートエンコーダと潜在空間ネットワークモデル内で提案した分布を利用して,我々のアプローチを実証的に検証する。
論文 参考訳（メタデータ） (2022-04-20T21:25:21Z) - Probabilistic Kolmogorov-Arnold Network [1.4732811715354455]
本稿では,アレータティック不確実性の場合に出力の確率分布を推定する手法を提案する。
提案手法は, 出力の入力依存確率分布と, 入力による分布型の変化を対象とする。
本手法は任意の回帰モデルに適用できるが, 計算効率のよいモデルの構築につながるため,kansと組み合わせる。
論文 参考訳（メタデータ） (2021-04-04T23:49:15Z) - A method to integrate and classify normal distributions [0.0]
我々は、任意のパラメータを持つ任意の次元における正規の任意の領域の確率を提供する結果とオープンソースソフトウェアを提示する。
自然界における物体の隠蔽やカモフラージュの検出といった視覚研究の応用を応用して,これらのツールを実証する。
論文 参考訳（メタデータ） (2020-12-23T05:45:41Z) - Pathwise Conditioning of Gaussian Processes [72.61885354624604]
ガウス過程後部をシミュレーションするための従来のアプローチでは、有限個の入力位置のプロセス値の限界分布からサンプルを抽出する。
この分布中心の特徴づけは、所望のランダムベクトルのサイズで3次スケールする生成戦略をもたらす。
条件付けのこのパスワイズ解釈が、ガウス過程の後部を効率的にサンプリングするのに役立てる近似の一般族をいかに生み出すかを示す。
論文 参考訳（メタデータ） (2020-11-08T17:09:37Z)
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。