Fugu-MT 論文翻訳(概要): Using Perturbation to Improve Goodness-of-Fit Tests based on Kernelized Stein Discrepancy

論文の概要: Using Perturbation to Improve Goodness-of-Fit Tests based on Kernelized Stein Discrepancy

arxiv url: http://arxiv.org/abs/2304.14762v2
Date: Wed, 17 May 2023 21:58:46 GMT
ステータス: 処理完了
システム内更新日: 2023-05-19 19:25:29.892807
Title: Using Perturbation to Improve Goodness-of-Fit Tests based on Kernelized Stein Discrepancy
Title（参考訳）: カーネル化スタインの相違に基づく適合性試験の改善のための摂動法
Authors: Xing Liu, Andrew B. Duncan, Axel Gandy
Abstract要約: Kernelized Stein discrepancy (KSD) は、良質なテストで広く使われているスコアベースの不一致である。我々は、KSD試験が、ターゲットと代替分布が同一の分離モードを持つが混合比が異なる場合、低出力に悩まされることを理論的かつ実証的に示す。
参考スコア（独自算出の注目度）: 3.78967502155084
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Kernelized Stein discrepancy (KSD) is a score-based discrepancy widely used in goodness-of-fit tests. It can be applied even when the target distribution has an unknown normalising factor, such as in Bayesian analysis. We show theoretically and empirically that the KSD test can suffer from low power when the target and the alternative distribution have the same well-separated modes but differ in mixing proportions. We propose to perturb the observed sample via Markov transition kernels, with respect to which the target distribution is invariant. This allows us to then employ the KSD test on the perturbed sample. We provide numerical evidence that with suitably chosen kernels the proposed approach can lead to a substantially higher power than the KSD test.
Abstract（参考訳）: kernelized stein discrepancy (ksd) は、適合度テストで広く使われるスコアベースの不一致である。対象分布が未知の正規化因子を持つ場合でも、ベイズ解析のように適用することができる。我々は、KSD試験が、ターゲットと代替分布が同一の分離モードを持つが混合比が異なる場合、低出力に悩まされることを理論的かつ実証的に示す。対象分布が不変である点に関して,マルコフ遷移核を介して観測試料を摂動させることを提案する。これにより、摂動サンプルにKSDテストを適用することができます。提案手法が好適に選択されたカーネルでは,提案手法がKSD試験よりも大幅に高出力となることを示す数値的な証拠を提供する。

関連論文リスト

Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
本報告では,明示的な次元の一般スコアミスマッチ拡散サンプリング器を用いた最初の性能保証について述べる。その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
論文参考訳（メタデータ） (2024-10-17T16:42:12Z)
NETS: A Non-Equilibrium Transport Sampler [15.58993313831079]
我々は、Non-Equilibrium Transport Sampler (NETS)と呼ばれるアルゴリズムを提案する。 NETSはJarzynskiの平等に基づいて、重要サンプリング(AIS)の亜種と見なすことができる。このドリフトは、様々な目的関数の最小化であり、全て偏りのない方法で推定できることを示す。
論文参考訳（メタデータ） (2024-10-03T17:35:38Z)
Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
論文参考訳（メタデータ） (2023-06-27T08:15:28Z)
Controlling Moments with Kernel Stein Discrepancies [74.82363458321939]
Kernel Steindisrepancies (KSD) は分布近似の品質を測定する。まず、弱収束制御に使用される標準KSDがモーメント収束制御に失敗することを示す。次に、代替拡散KSDがモーメントと弱収束の両方を制御できる十分な条件を提供する。
論文参考訳（メタデータ） (2022-11-10T08:24:52Z)
DensePure: Understanding Diffusion Models towards Adversarial Robustness [110.84015494617528]
拡散モデルの特性を解析し,それらが証明された堅牢性を高める条件を確立する。事前訓練されたモデル(すなわち分類器)の信頼性向上を目的とした新しいDensePure法を提案する。このロバストな領域は多重凸集合の和であり、以前の研究で特定されたロバストな領域よりもはるかに大きい可能性が示されている。
論文参考訳（メタデータ） (2022-11-01T08:18:07Z)
A kernel Stein test of goodness of fit for sequential models [19.8408003104988]
提案手法は、非正規化密度の良性テストを構築するために用いられてきたカーネルSteindisrepancy(KSD)の例である。我々は、適切なスタイン演算子を同定することで、KSDを可変次元設定に拡張し、新しいKSD適合性テストを提案する。我々のテストは、離散的なシーケンシャルなデータベンチマークで実際によく機能することが示されている。
論文参考訳（メタデータ） (2022-10-19T17:30:15Z)
Targeted Separation and Convergence with Kernel Discrepancies [61.973643031360254]
カーネルベースの不一致測度は、(i)ターゲットPを他の確率測度から分離するか、(ii)Pへの弱収束を制御する必要がある。本稿では, (i) と (ii) を保証するのに十分な,必要な新しい条件を導出する。可分距離空間上のMDDに対して、ボヒナー埋め込み可測度を分離するカーネルを特徴づけ、すべての測度を非有界カーネルと分離するための単純な条件を導入する。
論文参考訳（メタデータ） (2022-09-26T16:41:16Z)
A Fourier representation of kernel Stein discrepancy with application to Goodness-of-Fit tests for measures on infinite dimensional Hilbert spaces [6.437931786032493]
Kernel Stein discrepancy (KSD) は、確率測度間の差異のカーネルベースの尺度である。我々は、分離可能なヒルベルト空間に横たわるデータの一般性において、KSDを初めて解析する。これにより、KSDが測定を分離できることを証明できるので、実際は有効である。
論文参考訳（メタデータ） (2022-06-09T15:04:18Z)
KSD Aggregated Goodness-of-fit Test [38.45086141837479]
我々は、異なるカーネルで複数のテストを集約するKSDAggと呼ばれるテストを構築する戦略を導入する。我々は、KSDAggのパワーに関する漸近的でない保証を提供する。 KSDAggは、他の最先端のKSDベースの適合性試験方法よりも優れていることがわかった。
論文参考訳（メタデータ） (2022-02-02T00:33:09Z)
Generalised Kernel Stein Discrepancy(GKSD): A Unifying Approach for Non-parametric Goodness-of-fit Testing [5.885020100736158]
KSD(Non-parametric Goodness-of-fit testing procedure)は、一般的な非正規分布を検証するための有望なアプローチである。我々は,KSDに基づく適合性テストの実行において,異なるStein演算子を理論的に比較・解釈するための統一フレームワークである一般化カーネルSteindisrepancy(GKSD)を提案する。
論文参考訳（メタデータ） (2021-06-23T00:44:31Z)
Stein Variational Inference for Discrete Distributions [70.19352762933259]
離散分布を等価なピースワイズ連続分布に変換する単純な一般フレームワークを提案する。提案手法は,ギブスサンプリングや不連続ハミルトニアンモンテカルロといった従来のアルゴリズムよりも優れている。我々は,この手法がバイナライズニューラルネットワーク(BNN)のアンサンブルを学習するための有望なツールであることを実証した。さらに、そのような変換は、勾配のないカーネル化されたStein差分に簡単に適用でき、離散分布の良性(GoF)テストを実行することができる。
論文参考訳（メタデータ） (2020-03-01T22:45:41Z)

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。