Fugu-MT 論文翻訳(概要): Decentralized diffusion-based learning under non-parametric limited prior knowledge

論文の概要: Decentralized diffusion-based learning under non-parametric limited prior knowledge

arxiv url: http://arxiv.org/abs/2305.03295v1
Date: Fri, 5 May 2023 05:50:07 GMT
ステータス: 処理完了
システム内更新日: 2023-05-08 15:06:36.453982
Title: Decentralized diffusion-based learning under non-parametric limited prior knowledge
Title（参考訳）: 非パラメトリック制約事前知識に基づく分散拡散学習
Authors: Pawe{\l} Wachel, Krzysztof Kowalczyk, Cristian R. Rojas
Abstract要約: 本研究では, 雑音環境下で収集した局所エージェントの測定値から, 非線形現象の拡散に基づくネットワーク学習問題である$m$について検討した。本研究では、生データ交換を回避し、$m$の知識しか必要としない非パラメトリック学習アルゴリズムを提案する。
参考スコア（独自算出の注目度）: 6.432713915216638
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We study the problem of diffusion-based network learning of a nonlinear phenomenon, $m$, from local agents' measurements collected in a noisy environment. For a decentralized network and information spreading merely between directly neighboring nodes, we propose a non-parametric learning algorithm, that avoids raw data exchange and requires only mild \textit{a priori} knowledge about $m$. Non-asymptotic estimation error bounds are derived for the proposed method. Its potential applications are illustrated through simulation experiments.
Abstract（参考訳）: 本研究では, 雑音環境下で収集した局所エージェントの測定値から, 非線形現象の拡散に基づくネットワーク学習問題である$m$について検討する。分散ネットワークと隣接ノード間のみに広がる情報に対して,生のデータ交換を回避し,約$m$の軽度な \textit{a priori} 知識のみを必要とする非パラメトリック学習アルゴリズムを提案する。提案手法は非漸近的推定誤差境界を導出する。その可能性の応用はシミュレーション実験によって示される。

関連論文リスト

Kernel-based learning with guarantees for multi-agent applications [2.5643801430960163]
本稿では,雑音環境下での潜伏多次元非線形現象を観測するエージェントネットワークのカーネルベース学習問題に対処する。本研究では,研究中の現象について軽度の事前知識しか必要としない学習アルゴリズムを提案し,それに対応する非漸近的高確率誤差境界を持つモデルを提案する。
論文参考訳（メタデータ） (2024-04-15T12:06:22Z)
Generative Posterior Networks for Approximately Bayesian Epistemic Uncertainty Estimation [11.66240919177989]
本稿では,ラベルのないデータを用いて高次元問題における不確実性を推定するGPN(Generative Posterior Networks)を提案する。 GPNは、関数上の事前分布を与えられた後続分布を直接近似する生成モデルである。
論文参考訳（メタデータ） (2023-12-29T00:43:41Z)
Learning Linear Causal Representations from Interventions under General Nonlinear Mixing [52.66151568785088]
介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
論文参考訳（メタデータ） (2023-06-04T02:32:12Z)
Neural State-Space Models: Empirical Evaluation of Uncertainty Quantification [0.0]
本稿では,ニューラル状態空間モデルを用いたシステム同定のための不確実性定量化に関する予備的結果を示す。ベイズ確率的設定で学習問題をフレーム化し、ニューラルネットワークの重みと出力の後方分布を求める。後部に基づいて,出力の信頼区間を構築し,潜在的に危険なアウト・オブ・ディストリビューション体制下でモデルの使用を効果的に診断できるサプライズ指標を定義する。
論文参考訳（メタデータ） (2023-04-13T08:57:33Z)
On the Generalization for Transfer Learning: An Information-Theoretic Analysis [8.102199960821165]
一般化誤差と転帰学習アルゴリズムの過大なリスクを情報理論で解析する。我々の結果は、おそらく予想通り、Kulback-Leibler divergenceD(mu|mu')$がキャラクタリゼーションにおいて重要な役割を果たすことを示唆している。次に、$phi$-divergence や Wasserstein 距離といった他の発散点と結びついた相互情報を一般化する。
論文参考訳（メタデータ） (2022-07-12T08:20:41Z)
MissDAG: Causal Discovery in the Presence of Missing Data with Continuous Additive Noise Models [78.72682320019737]
不完全な観測データから因果発見を行うため,MissDAGと呼ばれる一般的な手法を開発した。 MissDAGは、期待-最大化の枠組みの下で観測の可視部分の期待される可能性を最大化する。各種因果探索アルゴリズムを組み込んだMissDAGの柔軟性について,広範囲なシミュレーションと実データ実験により検証した。
論文参考訳（メタデータ） (2022-05-27T09:59:46Z)
Out of Distribution Data Detection Using Dropout Bayesian Neural Networks [29.84998820573774]
まず, ドロップアウトBNNの中間層によって誘導されるランダム化埋め込みを利用する試みが, 距離測定によって失敗することを示す。組込み不確実性を測定するための代替手法を導入し、その使用を理論的に正当化し、組込み不確実性を導入することで、画像分類、言語分類、マルウェア検出の3つのタスクにおけるOODデータ識別が向上することを示す。
論文参考訳（メタデータ） (2022-02-18T02:23:43Z)
NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文参考訳（メタデータ） (2022-02-07T12:30:45Z)
Multivariate Deep Evidential Regression [77.34726150561087]
不確実性を認識するニューラルネットワークによる新しいアプローチは、従来の決定論的手法よりも有望である。本稿では,レグレッションベースニューラルネットワークからアレータ性およびてんかん性不確かさを抽出する手法を提案する。
論文参考訳（メタデータ） (2021-04-13T12:20:18Z)
Graph Embedding with Data Uncertainty [113.39838145450007]
スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
論文参考訳（メタデータ） (2020-09-01T15:08:23Z)
Effective Version Space Reduction for Convolutional Neural Networks [61.84773892603885]
アクティブラーニングでは、サンプリングバイアスは深刻な矛盾問題を引き起こし、アルゴリズムが最適な仮説を見つけるのを妨げる可能性がある。本稿では,畳み込みニューラルネットワークを用いた能動学習について,バージョン空間削減の原理的レンズを用いて検討する。
論文参考訳（メタデータ） (2020-06-22T17:40:03Z)

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。