論文の概要: Neural Likelihood Surfaces for Spatial Processes with Computationally
Intensive or Intractable Likelihoods
- arxiv url: http://arxiv.org/abs/2305.04634v1
- Date: Mon, 8 May 2023 11:27:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-09 14:39:40.841862
- Title: Neural Likelihood Surfaces for Spatial Processes with Computationally
Intensive or Intractable Likelihoods
- Title(参考訳): 計算量的または難解な確率をもつ空間過程のニューラルラバース曲面
- Authors: Julia Walchessen, Amanda Lenzi, Mikael Kuusela
- Abstract要約: 本稿では、畳み込みニューラルネットワーク(CNN)を用いて空間過程の確率関数を学習する。
私たちのニューラルネットワークは、正確な確率が明示的に得られていない状況でも、その可能性関数を暗黙的に学習します。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In spatial statistics, fast and accurate parameter estimation coupled with a
reliable means of uncertainty quantification can be a challenging task when
fitting a spatial process to real-world data because the likelihood function
might be slow to evaluate or intractable. In this work, we propose using
convolutional neural networks (CNNs) to learn the likelihood function of a
spatial process. Through a specifically designed classification task, our
neural network implicitly learns the likelihood function, even in situations
where the exact likelihood is not explicitly available. Once trained on the
classification task, our neural network is calibrated using Platt scaling which
improves the accuracy of the neural likelihood surfaces. To demonstrate our
approach, we compare maximum likelihood estimates and approximate confidence
regions constructed from the neural likelihood surface with the equivalent for
exact or approximate likelihood for two different spatial processes: a Gaussian
Process, which has a computationally intensive likelihood function for large
datasets, and a Brown-Resnick Process, which has an intractable likelihood
function. We also compare the neural likelihood surfaces to the exact and
approximate likelihood surfaces for the Gaussian Process and Brown-Resnick
Process, respectively. We conclude that our method provides fast and accurate
parameter estimation with a reliable method of uncertainty quantification in
situations where standard methods are either undesirably slow or inaccurate.
- Abstract(参考訳): 空間統計学において、不確実性定量化の信頼できる手段と組み合わされた高速で正確なパラメータ推定は、空間過程を実世界データに適合させる場合、可能性関数の評価や難解性が遅いため難しい課題となる。
本研究では,畳み込みニューラルネットワーク(convolutional neural network,cnns)を用いて,空間過程の確率関数を学習する手法を提案する。
特別に設計された分類タスクを通じて、ニューラルネットワークは、正確な可能性が明確に利用できない状況でも、暗黙的に可能性関数を学習します。
分類タスクでトレーニングをすると、ニューラルネットワークはプラッツスケーリングを使用して校正され、ニューラルチャンス表面の精度が向上する。
本手法を実証するために,2つの異なる空間的過程について, 推定値の最大値推定値と近似値の信頼領域を, 大規模データセットに対して計算集約的な確率関数を持つガウス過程と, 難解な確率関数を持つブラウン・レズニック過程とで等価な値と比較した。
また, ニューラル準曲面を, ガウス過程とブラウン・レズニック過程の正確な近似準曲面と比較した。
提案手法は,標準手法が望ましくない,あるいは不正確である状況において,信頼性の高い不確実性定量化法を用いて高速かつ正確なパラメータ推定を行う。
関連論文リスト
- An accuracy-runtime trade-off comparison of scalable Gaussian process approximations for spatial data [11.141688859736805]
ガウス過程の欠点は、計算コストが$mathcalO(N3)$ timeと$mathcalO(N2)$ memory complexityである。
この制限に対処するために、多くの近似技術が提案されている。
複数のシミュレーションおよび大規模実世界のデータセット上で、精度と実行時のトレードオフを分析する。
論文 参考訳(メタデータ) (2025-01-20T12:35:58Z) - Likelihood-based inference and forecasting for trawl processes: a
stochastic optimization approach [0.0]
実数値トロール過程を推定するための第1の可能性に基づく手法を開発した。
本稿では,新しい決定的および確率的予測手法を提案する。
トロールプロセスの大規模なクラスに適合するために使用可能なPythonライブラリをリリースしています。
論文 参考訳(メタデータ) (2023-08-30T15:37:48Z) - Stochastic Marginal Likelihood Gradients using Neural Tangent Kernels [78.6096486885658]
線形化されたラプラス近似に下界を導入する。
これらの境界は漸進的な最適化が可能であり、推定精度と計算複雑性とのトレードオフを可能にする。
論文 参考訳(メタデータ) (2023-06-06T19:02:57Z) - Semantic Strengthening of Neuro-Symbolic Learning [85.6195120593625]
ニューロシンボリックアプローチは一般に確率論的目的のファジィ近似を利用する。
トラクタブル回路において,これを効率的に計算する方法を示す。
我々は,Warcraftにおける最小コストパスの予測,最小コスト完全マッチングの予測,スドクパズルの解法という3つの課題に対して,アプローチを検証した。
論文 参考訳(メタデータ) (2023-02-28T00:04:22Z) - MARS: Meta-Learning as Score Matching in the Function Space [79.73213540203389]
本稿では,一連の関連するデータセットから帰納バイアスを抽出する手法を提案する。
機能的ベイズニューラルネットワーク推論を用いて、前者をプロセスとみなし、関数空間で推論を行う。
本手法は,データ生成プロセスのスコア関数をメタラーニングすることにより,複雑な事前知識をシームレスに獲得し,表現することができる。
論文 参考訳(メタデータ) (2022-10-24T15:14:26Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳(メタデータ) (2021-04-11T09:50:24Z) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳(メタデータ) (2021-02-22T07:02:37Z) - Fast covariance parameter estimation of spatial Gaussian process models
using neural networks [0.0]
我々はnnを入力として適度な大きさの空間場または変量線を取り、範囲と信号間の共分散パラメータを返すように訓練する。
トレーニングが完了すると、nnsはml推定と同等の精度で見積もりを提供し、100倍以上のスピードアップを行う。
この作業は、他のより複雑な空間問題に容易に拡張することができ、計算統計における機械学習の使用に対する概念の証明を提供する。
論文 参考訳(メタデータ) (2020-12-30T22:06:26Z) - Real-Time Regression with Dividing Local Gaussian Processes [62.01822866877782]
局所ガウス過程は、ガウス過程の回帰に基づく新しい、計算効率の良いモデリング手法である。
入力空間の反復的データ駆動分割により、実際にはトレーニングポイントの総数において、サブ線形計算複雑性が達成される。
実世界のデータセットに対する数値的な評価は、予測と更新の速度だけでなく、精度の点で他の最先端手法よりも有利であることを示している。
論文 参考訳(メタデータ) (2020-06-16T18:43:31Z) - A Deterministic Approximation to Neural SDEs [38.23826389188657]
本研究では,NSDEから精度の高い不確実性推定値を取得することは,計算的に禁止されていることを示す。
我々は、遷移カーネルを正確に近似する計算的に手頃な決定論的スキームを開発する。
また,決定論的学習の数値的安定性により予測精度も向上する。
論文 参考訳(メタデータ) (2020-06-16T08:00:26Z)
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。