Fugu-MT 論文翻訳(概要): Stochastic metrology and the empirical distribution

論文の概要: Stochastic metrology and the empirical distribution

arxiv url: http://arxiv.org/abs/2305.16480v1
Date: Thu, 25 May 2023 21:22:34 GMT
ステータス: 処理完了
システム内更新日: 2023-05-29 18:06:10.227503
Title: Stochastic metrology and the empirical distribution
Title（参考訳）: 確率的メトロロジーと経験的分布
Authors: Joseph A. Smiga, Marco Radaelli, Felix C. Binder, Gabriel T. Landi
Abstract要約: 一般的なプロセスから導かれる時系列におけるパラメータ推定の問題について検討し,任意の相関関係を示す。我々は、一般的な定常過程から離散時間マルコフ連鎖、連続時間古典的マスター方程式に至るまで、様々なシナリオのフィッシャー情報を得るための実用的な公式を導出する。
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: We study the problem of parameter estimation in time series stemming from general stochastic processes, where the outcomes may exhibit arbitrary temporal correlations. In particular, we address the question of how much Fisher information is lost if the stochastic process is compressed into a single histogram, known as the empirical distribution. As we show, the answer is non-trivial due to the correlations between outcomes. We derive practical formulas for the resulting Fisher information for various scenarios, from generic stationary processes to discrete-time Markov chains to continuous-time classical master equations. The results are illustrated with several examples.
Abstract（参考訳）: 一般確率過程に起因した時系列におけるパラメータ推定の問題点について検討し, 結果が任意の時間的相関を示す可能性について検討した。特に、確率過程が経験分布として知られる単一のヒストグラムに圧縮された場合、フィッシャー情報がどれだけ失われるかという問題に対処する。以下に示すように、結果の相関関係のため、答えは自明ではない。一般的な定常過程から離散時間マルコフ連鎖、連続時間古典マスター方程式まで、様々なシナリオのフィッシャー情報の実用的公式を導出する。結果はいくつかの例で示される。

関連論文リスト

Convergence of Score-Based Discrete Diffusion Models: A Discrete-Time Analysis [56.442307356162864]
連続時間マルコフ連鎖(CTMC)に基づくスコアベース離散拡散モデルの理論的側面について検討する。本稿では,事前定義された時間点におけるスコア推定値を利用する離散時間サンプリングアルゴリズムを一般状態空間$[S]d$に導入する。我々の収束解析はジルサノフ法を用いて離散スコア関数の重要な性質を確立する。
論文参考訳（メタデータ） (2024-10-03T09:07:13Z)
Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文参考訳（メタデータ） (2022-11-30T05:33:29Z)
Generalized Representations Learning for Time Series Classification [28.230863650758447]
時間的複雑性は時系列分類における未知の潜在分布に起因していると主張する。本研究では,ジェスチャー認識,音声コマンド認識,ウェアラブルストレスと感情検出,センサによる人間の活動認識に関する実験を行う。
論文参考訳（メタデータ） (2022-09-15T03:36:31Z)
Fisher information of correlated stochastic processes [0.0]
メモリフルプロセスで符号化されたパラメータの推定に関する2つの結果を示す。まず、有限マルコフ順序の過程に対して、フィッシャー情報は結果の個数において常に線型であることを示す。第二に、相関が必ずしもメートル法精度を高めるとは限らないことを適切な例で証明する。
論文参考訳（メタデータ） (2022-06-01T12:51:55Z)
Markov Chain Monte Carlo for Continuous-Time Switching Dynamical Systems [26.744964200606784]
マルコフ連鎖モンテカルロ法による新しい推論アルゴリズムを提案する。提示されたギブスサンプルは、正確な連続時間後処理から試料を効率的に得ることができる。
論文参考訳（メタデータ） (2022-05-18T09:03:00Z)
Finite-Time Convergence Rates of Nonlinear Two-Time-Scale Stochastic Approximation under Markovian Noise [2.0305676256390934]
2つの連結非線形作用素の根を探すためのシミュレーションベースアプローチである,いわゆる2時間スケール近似について検討する。特に、マルコフプロセスによってメソッド内のデータが生成されるシナリオを考える。演算子とマルコフ過程に関するかなり標準的な仮定の下で、この方法によって生成される平均二乗誤差の収束率を 0 に特徴づける公式を提供する。
論文参考訳（メタデータ） (2021-04-04T15:19:19Z)
Contrastive learning of strong-mixing continuous-time stochastic processes [53.82893653745542]
コントラスト学習(Contrastive Learning)は、ラベルのないデータから構築された分類タスクを解決するためにモデルを訓練する自己指導型の手法のファミリーである。拡散の場合,小～中距離間隔の遷移カーネルを適切に構築したコントラスト学習タスクを用いて推定できることが示される。
論文参考訳（メタデータ） (2021-03-03T23:06:47Z)
Nonlinear Independent Component Analysis for Continuous-Time Signals [85.59763606620938]
このプロセスの混合物の観察から多次元音源過程を復元する古典的問題を考察する。このリカバリは、この混合物が十分に微分可能で可逆な関数によって与えられる場合、多くの一般的なプロセスのモデル(座標の順序と単調スケーリングまで)に対して可能であることを示す。
論文参考訳（メタデータ） (2021-02-04T20:28:44Z)
The Connection between Discrete- and Continuous-Time Descriptions of Gaussian Continuous Processes [60.35125735474386]
我々は、一貫した推定子をもたらす離散化が粗粒化下での不変性を持つことを示す。この結果は、導関数再構成のための微分スキームと局所時間推論アプローチの組み合わせが、2次または高次微分方程式の時系列解析に役立たない理由を説明する。
論文参考訳（メタデータ） (2021-01-16T17:11:02Z)
Finite-Time Convergence Rates of Decentralized Stochastic Approximation with Applications in Multi-Agent and Multi-Task Learning [16.09467599829253]
本研究では, 雑音測定により, 演算子の根元を求めるためのデータ駆動手法について検討する。エージェントのネットワークは、それぞれ独自の演算子とデータ観測を持ち、分散化された通信グラフ上で集約演算子の固定点を協調的に見つける。我々の主な貢献は、各エージェントで観測されたデータがマルコフ過程からサンプリングされるとき、この分散近似法を有限時間で解析することである。
論文参考訳（メタデータ） (2020-10-28T17:01:54Z)
On Disentangled Representations Learned From Correlated Data [59.41587388303554]
相関データに対する最も顕著な絡み合うアプローチの挙動を解析することにより、現実のシナリオにギャップを埋める。本研究では,データセットの体系的相関が学習され,潜在表現に反映されていることを示す。また、トレーニング中の弱い監督や、少数のラベルで事前訓練されたモデルを修正することで、これらの潜伏相関を解消する方法を実証する。
論文参考訳（メタデータ） (2020-06-14T12:47:34Z)

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。