論文の概要: Massively Parallel Reweighted Wake-Sleep

• arxiv url: http://arxiv.org/abs/2305.11022v1
• Date: Thu, 18 May 2023 15:03:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-19 14:38:07.566416
• Title: Massively Parallel Reweighted Wake-Sleep
• Title（参考訳）: 超並列再重み付けウェイクスリープ
• Authors: Thomas Heap, Gavin Leech, Laurence Aitchison
• Abstract要約: Re-weighted wake-sleep (RWS) は、ベイズ推論を非常に一般的なモデルのクラスで実行するための機械学習手法である。 近年の研究では、有効な重み付けに必要なサンプルの数は潜伏変数の数で指数関数的であることが示されている。 標準の「グローバル」RWSよりも大幅に改善され、全関節から$K$のサンプルが引き出される。
• 参考スコア（独自算出の注目度）: 29.436464740855598
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reweighted wake-sleep (RWS) is a machine learning method for performing Bayesian inference in a very general class of models. RWS draws $K$ samples from an underlying approximate posterior, then uses importance weighting to provide a better estimate of the true posterior. RWS then updates its approximate posterior towards the importance-weighted estimate of the true posterior. However, recent work [Chattergee and Diaconis, 2018] indicates that the number of samples required for effective importance weighting is exponential in the number of latent variables. Attaining such a large number of importance samples is intractable in all but the smallest models. Here, we develop massively parallel RWS, which circumvents this issue by drawing $K$ samples of all $n$ latent variables, and individually reasoning about all $K^n$ possible combinations of samples. While reasoning about $K^n$ combinations might seem intractable, the required computations can be performed in polynomial time by exploiting conditional independencies in the generative model. We show considerable improvements over standard "global" RWS, which draws $K$ samples from the full joint.
• Abstract（参考訳）: Reweighted wake-sleep (RWS) は、非常に一般的なモデルのクラスでベイズ推論を実行する機械学習手法である。 RWSは、基礎となる近似後部から$K$のサンプルを抽出し、重要重み付けを使用して真の後部をよりよく推定する。 RWS はその近似後部を真の後部の重み付けされた推定に向けて更新する。 しかし、最近の研究[Chattergee and Diaconis, 2018] は、有効な重み付けに必要なサンプルの数は潜伏変数の数で指数関数的であることを示している。 このような重要なサンプルを多数得ることは、最小のモデルを除いて全てにおいて難解である。 ここでは、この問題を回避し、すべての$n$潜伏変数の$K$サンプルを描画し、サンプルのすべての$K^n$組み合わせを個別に推論することで、超並列RWSを開発する。 K^n$コンビネーションの推論は難しそうに思えるが、必要となる計算は生成モデルにおける条件付き不依存を利用して多項式時間で行うことができる。 標準の「グローバル」RWSよりも大幅に改善され、全関節から$K$のサンプルが引き出される。

関連論文リスト

• Consistency Model is an Effective Posterior Sample Approximation for Diffusion Inverse Solvers [28.678613691787096]
  過去の近似は後続の手段に依存しており、画像分布の支持には当てはまらない可能性がある。 本稿では,画像分布支援において有効なサンプルを生成することを保証する,後部近似のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-02-09T02:23:47Z)
• Stochastic Approximation Approaches to Group Distributionally Robust Optimization and Beyond [89.72693227960274]
  本稿では,グループ分散ロバスト最適化 (GDRO) を,$m$以上の異なる分布をうまく処理するモデルを学習する目的で検討する。 各ラウンドのサンプル数を$m$から1に抑えるため、GDROを2人でプレイするゲームとして、一方のプレイヤーが実行し、他方のプレイヤーが非公開のマルチアームバンディットのオンラインアルゴリズムを実行する。 第2のシナリオでは、最大リスクではなく、平均的最上位k$リスクを最適化し、分散の影響を軽減することを提案する。
  論文  参考訳（メタデータ） (2023-02-18T09:24:15Z)
• Bias Mimicking: A Simple Sampling Approach for Bias Mitigation [57.17709477668213]
  本稿では,新しいクラス条件サンプリング手法であるBias Mimickingを紹介する。 Bias Mimickingは、4つのベンチマークで3%の精度でサンプリングの精度を向上する。
  論文  参考訳（メタデータ） (2022-09-30T17:33:00Z)
• Adaptive Sketches for Robust Regression with Importance Sampling [64.75899469557272]
  我々は、勾配降下(SGD)による頑健な回帰を解くためのデータ構造を導入する。 我々のアルゴリズムは、サブ線形空間を使用し、データに1回パスするだけで、SGDの$T$ステップを重要サンプリングで効果的に実行します。
  論文  参考訳（メタデータ） (2022-07-16T03:09:30Z)
• A fast asynchronous MCMC sampler for sparse Bayesian inference [10.535140830570256]
  本稿では,非常に高速なマルコフ・チェイン・モンテカルロ(MCMC)サンプリングフレームワークを提案する。 本研究では, 高次元線形回帰問題において, 提案アルゴリズムで生成したマルコフ連鎖は, 主信号の正確な復元を行う不変分布を持つことを示す。
  論文  参考訳（メタデータ） (2021-08-14T02:20:49Z)
• Improving Robustness and Generality of NLP Models Using Disentangled Representations [62.08794500431367]
  スーパービジョンニューラルネットワークはまず入力$x$を単一の表現$z$にマップし、次に出力ラベル$y$にマッピングする。 本研究では,非交叉表現学習の観点から,NLPモデルの堅牢性と汎用性を改善する手法を提案する。 提案した基準でトレーニングしたモデルは、広範囲の教師付き学習タスクにおいて、より堅牢性とドメイン適応性を向上することを示す。
  論文  参考訳（メタデータ） (2020-09-21T02:48:46Z)
• WOR and $p$'s: Sketches for $\ell_p$-Sampling Without Replacement [75.12782480740822]
  We design novel composable sketches for WOR $ell_p$ sample。 私たちのスケッチは、サンプルサイズと直線的にしか成長しないサイズです。 我々の方法は、最初に$p>1$の重要なレギュレーションでWORサンプリングを提供し、最初に$p>0$で署名された更新を処理する。
  論文  参考訳（メタデータ） (2020-07-14T00:19:27Z)
• FANOK: Knockoffs in Linear Time [73.5154025911318]
  本稿では,ガウスモデル-Xノックオフを効率的に実装し,大規模特徴選択問題における誤発見率を制御するアルゴリズムについて述べる。 当社のメソッドは、最大50,000ドルという問題でテストしています。
  論文  参考訳（メタデータ） (2020-06-15T21:55:34Z)
• Confidence sequences for sampling without replacement [39.98103047898974]
  私たちは$thetastar$に対して信頼性シーケンスを設計するための一連のツールを提示します。 CS は、(C_n)_n=1N$ の信頼集合の列で、サイズが小さく、高い確率で$thetastar$ を同時に含む。 次に、WoRサンプリングのためのHoeffding-およびExperiical-Bernstein-type time-uniform CSと固定時間信頼区間を示す。
  論文  参考訳（メタデータ） (2020-06-08T04:30:25Z)

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。