Fugu-MT 論文翻訳(概要): Proximal nested sampling with data-driven priors for physical scientists

論文の概要: Proximal nested sampling with data-driven priors for physical scientists

arxiv url: http://arxiv.org/abs/2307.00056v2
Date: Fri, 28 Jul 2023 15:32:42 GMT
ステータス: 処理完了
システム内更新日: 2023-07-31 15:20:37.280721
Title: Proximal nested sampling with data-driven priors for physical scientists
Title（参考訳）: 物理科学者のためのデータ駆動前駆体を用いた近ネストサンプリング
Authors: Jason D. McEwen, Tob\'ias I. Liaudat, Matthew A. Price, Xiaohao Cai and Marcelo Pereyra
Abstract要約: ハイ次元問題に対するベイズモデル選択を開放するために, ネストした経験的サンプリングが最近導入された。この記事の目的は2つある: まず、ネストサンプリングのフレームワークを教育的な方法で解明しようとする試みを示す。第2に、データ駆動トレーニングをサポートするために、事前設定でネストサンプリングを拡張することができることを示す。
参考スコア（独自算出の注目度）: 5.708538602448359
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Proximal nested sampling was introduced recently to open up Bayesian model selection for high-dimensional problems such as computational imaging. The framework is suitable for models with a log-convex likelihood, which are ubiquitous in the imaging sciences. The purpose of this article is two-fold. First, we review proximal nested sampling in a pedagogical manner in an attempt to elucidate the framework for physical scientists. Second, we show how proximal nested sampling can be extended in an empirical Bayes setting to support data-driven priors, such as deep neural networks learned from training data.
Abstract（参考訳）: 計算画像などの高次元問題に対してベイズモデル選択を行うために,近ネストサンプリングを導入した。このフレームワークは、画像科学においてユビキタスな対流確率を持つモデルに適している。この記事の目的は2つある。まず, 物理科学者の枠組みを解明するために, 近位ネストサンプリングを教育的手法で検討した。第2に,訓練データから学習した深層ニューラルネットワークなど,データ駆動前処理をサポートする経験ベイズ設定において,近位ネストサンプリングをどのように拡張できるかを示す。

関連論文リスト

Posterior Sampling with Denoising Oracles via Tilted Transport [37.14320147233444]
本稿では, 線形逆問題における対数様の二次構造を利用したテクスタイテッドトランスポート手法を提案する。我々は、この後続が強く対数凹である条件を定量化し、測定行列の条件数に依存することを強調する。得られた後続サンプリングスキームは,Isingモデルをサンプリングするために予測された計算しきい値に達することが示されている。
論文参考訳（メタデータ） (2024-06-30T16:11:42Z)
Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文参考訳（メタデータ） (2024-04-11T09:23:36Z)
The Hidden Linear Structure in Score-Based Models and its Application [2.1756081703276]
十分に訓練された拡散モデルでは、高雑音スケールでの学習スコアはガウスの線形スコアによってよく近似されることを示す。スコアベースモデルにおける線形構造の発見は、より良いモデル設計とデータ前処理に影響を及ぼす。
論文参考訳（メタデータ） (2023-11-17T22:25:07Z)
Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文参考訳（メタデータ） (2023-08-31T05:05:53Z)
Posterior samples of source galaxies in strong gravitational lenses with score-based priors [107.52670032376555]
我々はスコアベースモデルを用いて、背景銀河の歪みのない画像の事前推定を符号化する。アウト・オブ・ディストリビューション・データを用いた実験において、可能性と事前のバランスが、我々の期待にどのように合致しているかを示す。
論文参考訳（メタデータ） (2022-11-07T19:00:42Z)
Sampling Bias Correction for Supervised Machine Learning: A Bayesian Inference Approach with Practical Applications [0.0]
本稿では,データセットがラベルの不均衡などの意図的なサンプルバイアスを受ける可能性がある問題について議論する。次に、この解をバイナリロジスティック回帰に適用し、データセットが意図的にサンプルバイアスを受けるシナリオについて議論する。この手法は, 医療科学から画像認識, マーケティングに至るまで, ビッグデータの統計的推測に広く応用できる。
論文参考訳（メタデータ） (2022-03-11T20:46:37Z)
Transformers Can Do Bayesian Inference [56.99390658880008]
我々はPFN(Presideed Data Fitted Networks)を提案する。 PFNは、大規模機械学習技術におけるインコンテキスト学習を活用して、大規模な後部集合を近似する。我々は、PFNがガウス過程をほぼ完璧に模倣し、難解問題に対する効率的なベイズ推定を可能にすることを示した。
論文参考訳（メタデータ） (2021-12-20T13:07:39Z)
Sensing Cox Processes via Posterior Sampling and Positive Bases [56.82162768921196]
本研究では,空間統計学から広く用いられている点過程の適応センシングについて検討する。我々は、この強度関数を、特別に構築された正の基底で表される、歪んだガウス過程のサンプルとしてモデル化する。我々の適応センシングアルゴリズムはランゲヴィン力学を用いており、後続サンプリング(textscCox-Thompson)と後続サンプリング(textscTop2)の原理に基づいている。
論文参考訳（メタデータ） (2021-10-21T14:47:06Z)
Nested sampling with any prior you like [0.0]
所望の事前密度からサンプルに基づいて訓練されたビジェクターは、変換を構築するための汎用的な方法を提供する。宇宙論の例を多数挙げて, トレーニングされたビジェクターとネストサンプリングの併用を実演する。
論文参考訳（メタデータ） (2021-02-24T18:45:13Z)
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)

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。