論文の概要: Neural Markov Jump Processes
- arxiv url: http://arxiv.org/abs/2305.19744v1
- Date: Wed, 31 May 2023 11:10:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-01 17:11:46.721088
- Title: Neural Markov Jump Processes
- Title(参考訳): 神経マルコフジャンププロセス
- Authors: Patrick Seifner and Ramses J. Sanchez
- Abstract要約: 本稿では, ニューラル常微分方程式に依存するマルコフジャンプ過程の変分推論アルゴリズムを提案する。
提案手法は,後マルコフジャンプ過程の初期分布と時間依存性遷移確率を近似するために用いられる観測データのニューラルかつ連続的な表現を学習する。
提案手法は, 地絡マルコフジャンププロセス, イオンチャネルデータ, 分子動力学シミュレーションから得られた合成データについて検証する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Markov jump processes are continuous-time stochastic processes with a wide
range of applications in both natural and social sciences. Despite their
widespread use, inference in these models is highly non-trivial and typically
proceeds via either Monte Carlo or expectation-maximization methods. In this
work we introduce an alternative, variational inference algorithm for Markov
jump processes which relies on neural ordinary differential equations, and is
trainable via back-propagation. Our methodology learns neural, continuous-time
representations of the observed data, that are used to approximate the initial
distribution and time-dependent transition probability rates of the posterior
Markov jump process. The time-independent rates of the prior process are in
contrast trained akin to generative adversarial networks. We test our approach
on synthetic data sampled from ground-truth Markov jump processes, experimental
switching ion channel data and molecular dynamics simulations. Source code to
reproduce our experiments is available online.
- Abstract(参考訳): マルコフジャンプ過程は、自然科学と社会科学の両方に幅広い応用がある連続時間確率過程である。
広く使われているにもかかわらず、これらのモデルにおける推論は非常に非自明であり、モンテカルロ法または予想最大化法によって進行する。
本研究では, ニューラル常微分方程式に依存し, バックプロパゲーションにより学習可能なマルコフジャンプ過程の変分推論アルゴリズムを提案する。
本手法は,後方マルコフ跳躍過程の初期分布と時間依存遷移確率率を近似するために使用される観測データの神経的連続時間表現を学習する。
事前プロセスの時間非依存率は、生成的敵ネットワークに似た訓練を受けたものである。
本手法は, 地中マルコフジャンプ過程, イオンチャネルデータ, 分子動力学シミュレーションから得られた合成データを用いて実験を行った。
我々の実験を再現するソースコードはオンラインで入手できる。
関連論文リスト
- High-Dimensional Markov-switching Ordinary Differential Processes [23.17395115394655]
まず, 離散サンプルから連続サンプル経路を復元し, プロセスのパラメータを推定する2段階アルゴリズムを開発した。
我々は,その過程が$beta$-mixingである場合の統計的誤差と線形収束保証に関する新しい理論的知見を提供する。
本モデルを用いて,ADHD群と正常制御群における静止状態脳ネットワークの差異について検討する。
論文 参考訳(メタデータ) (2024-12-30T18:41:28Z) - Logistic-beta processes for dependent random probabilities with beta marginals [58.91121576998588]
本稿では,ロジスティック・ベータプロセスと呼ばれる新しいプロセスを提案する。
空間や時間などの離散領域と連続領域の両方への依存をモデル化でき、相関カーネルを通じて柔軟な依存構造を持つ。
本研究は,非パラメトリック二分回帰と条件密度推定の例による効果をシミュレーション研究と妊娠結果応用の両方で説明する。
論文 参考訳(メタデータ) (2024-02-10T21:41:32Z) - Latent State Models of Training Dynamics [51.88132043461152]
異なるランダムなシードでモデルをトレーニングし、トレーニングを通じてさまざまなメトリクスを計算します。
次に、結果のメトリクス列に隠れマルコフモデル(HMM)を適合させる。
我々はHMM表現を用いて相転移を研究し、収束を遅くする潜伏状態(detour state)を特定する。
論文 参考訳(メタデータ) (2023-08-18T13:20:08Z) - Real-Time Variational Method for Learning Neural Trajectory and its
Dynamics [7.936841911281107]
本稿では,指数関数型家族変動カルマンフィルタ(eVKF)について紹介する。
我々は、カルマンフィルタの予測ステップに対する閉形式変分類似を導出し、他のオンライン変分法と比較してELBO上の有意な厳密な境界を導出する。
我々は,本手法を実世界の合成・実世界のデータで検証し,特に競争性能が向上したことを示す。
論文 参考訳(メタデータ) (2023-05-18T19:52:46Z) - Neural Continuous-Time Markov Models [2.28438857884398]
完全観測時系列から連続時間マルコフ連鎖の遷移率関数を学習する手法を開発した。
本手法は,これらの遷移率を,ログ線形法よりもかなり精度良く学習することを示す。
論文 参考訳(メタデータ) (2022-12-11T00:07:41Z) - 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) - Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。
シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。
本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
論文 参考訳(メタデータ) (2022-11-24T07:30:27Z) - 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) - DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。
我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。
標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文 参考訳(メタデータ) (2021-12-08T13:07:21Z) - Variational Inference for Continuous-Time Switching Dynamical Systems [29.984955043675157]
従属拡散過程を変調したマルコフジャンプ過程に基づくモデルを提案する。
我々は,新しい連続時間変動推定アルゴリズムを開発した。
モデル仮定と実世界の実例に基づいて,我々のアルゴリズムを広範囲に評価する。
論文 参考訳(メタデータ) (2021-09-29T15:19:51Z) - 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)
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。