論文の概要: Likelihood-free neural Bayes estimators for censored
peaks-over-threshold models
- arxiv url: http://arxiv.org/abs/2306.15642v1
- Date: Tue, 27 Jun 2023 17:36:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-28 12:22:30.434852
- Title: Likelihood-free neural Bayes estimators for censored
peaks-over-threshold models
- Title（参考訳）: 検閲されたピーク・オーバー・スレッショルドモデルに対するラピッドフリーニューラルベイズ推定器
- Authors: Jordan Richards and Matthew Sainsbury-Dale and Andrew Zammit-Mangion
and Rapha\"el Huser
- Abstract要約: 空間的極端依存モデルの推論は、中～高次元において計算的に重荷となる。
我々は,ニューラルネットワークアーキテクチャにおける検閲情報を符号化することで,検閲されたピーク・オー・スレッショルドモデルに対する高効率な推定器を構築するための新しい手法を開発した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Inference for spatial extremal dependence models can be computationally
burdensome in moderate-to-high dimensions due to their reliance on intractable
and/or censored likelihoods. Exploiting recent advances in likelihood-free
inference with neural Bayes estimators (that is, neural estimators that target
Bayes estimators), we develop a novel approach to construct highly efficient
estimators for censored peaks-over-threshold models by encoding censoring
information in the neural network architecture. Our new method provides a
paradigm shift that challenges traditional censored likelihood-based inference
for spatial extremes. Our simulation studies highlight significant gains in
both computational and statistical efficiency, relative to competing
likelihood-based approaches, when applying our novel estimators for inference
of popular extremal dependence models, such as max-stable, $r$-Pareto, and
random scale mixture processes. We also illustrate that it is possible to train
a single estimator for a general censoring level, obviating the need to retrain
when the censoring level is changed. We illustrate the efficacy of our
estimators by making fast inference on hundreds-of-thousands of
high-dimensional spatial extremal dependence models to assess particulate
matter 2.5 microns or less in diameter (PM2.5) concentration over the whole of
Saudi Arabia.
- Abstract（参考訳）: 空間的極値依存モデルの推論は、難解かつ検閲された確率に依存するため、中程度から高次元の計算量的に負担となる。
ニューラルベイズ推定器(すなわちベイズ推定器を対象とするニューラルベイズ推定器)を用いた確率自由推定の最近の進歩として,ニューラルネットワークアーキテクチャにおける検閲情報の符号化により,検閲されたピークオースホールドモデルに対する高効率な推定器を構築する手法を開発した。
提案手法は,空間的極端に対する従来の検閲された確率に基づく推論に挑戦するパラダイムシフトを提供する。
シミュレーション研究は,max-stable,$r$-pareto,ランダムスケール混合プロセスなど,一般的な極値依存モデルの推論に新たな推定器を適用する場合,計算効率と統計効率の両方において有意な向上を示した。
また,一般検閲レベルの1つの推定器をトレーニングすることで,検閲レベルが変更された場合の再訓練の必要性を回避できることを示す。
サウジアラビア全土の粒子状物質2.5ミクロン以下 (PM2.5) 濃度を評価するために, 高次元空間超依存性モデル数百個を高速に推定することにより, 推定装置の有効性を検証した。
関連論文リスト
- Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。
モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。
BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
論文 参考訳（メタデータ） (2023-07-04T16:45:21Z) - Confidence estimation of classification based on the distribution of the
neural network output layer [4.529188601556233]
現実の世界における予測モデルの適用を防ぐための最も一般的な問題の1つは一般化の欠如である。
ニューラルネットワーク分類モデルにより生成された特定の予測の不確かさを推定する新しい手法を提案する。
提案手法は,この予測に対応するロジット値の分布に基づいて,特定の予測の信頼性を推定する。
論文 参考訳（メタデータ） (2022-10-14T12:32:50Z) - BayesNetCNN: incorporating uncertainty in neural networks for
image-based classification tasks [0.29005223064604074]
本稿では,標準的なニューラルネットワークをベイズニューラルネットワークに変換する手法を提案する。
本研究では,各前方パスにおいて,元のものと類似した異なるネットワークをサンプリングすることにより,予測のばらつきを推定する。
我々は、アルツハイマー病患者の脳画像の大きなコホートを用いて、我々のモデルを検証した。
論文 参考訳（メタデータ） (2022-09-27T01:07:19Z) - Likelihood-Free Parameter Estimation with Neural Bayes Estimators [0.0]
ニューラルネットワークは、データをパラメータポイント推定にマッピングするニューラルネットワークである。
我々は,この比較的新しい推論ツールに対する統計学者の意識を高め,ユーザフレンドリーなオープンソースソフトウェアを提供することで,その採用を促進することを目的としている。
論文 参考訳（メタデータ） (2022-08-27T06:58:16Z) - Conditional Distribution Function Estimation Using Neural Networks for
Censored and Uncensored Data [0.0]
検閲されたデータと検閲されていないデータの両方に対してニューラルネットワークを用いて条件分布関数を推定することを検討する。
本研究では,提案手法が望ましい性能を有することを示す一方で,モデル仮定に違反した場合に偏りのある推定値が得られることを示す。
論文 参考訳（メタデータ） (2022-07-06T01:12:22Z) - DeepBayes -- an estimator for parameter estimation in stochastic
nonlinear dynamical models [11.917949887615567]
本研究では,DeepBayes推定器を提案する。
ディープリカレントニューラルネットワークアーキテクチャはオフラインでトレーニングでき、推論中にかなりの時間を節約できる。
提案手法の異なる実例モデルへの適用性を実証し, 最先端手法との詳細な比較を行う。
論文 参考訳（メタデータ） (2022-05-04T18:12:17Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - Sampling-free Variational Inference for Neural Networks with
Multiplicative Activation Noise [51.080620762639434]
サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。
提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
論文 参考訳（メタデータ） (2021-03-15T16:16:18Z) - A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。
線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。
以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
論文 参考訳（メタデータ） (2020-10-27T17:56:14Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳（メタデータ） (2020-03-04T12:27:36Z)
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。