Fugu-MT 論文翻訳(概要): Efficient computation of predictive probabilities in probit models via expectation propagation

論文の概要: Efficient computation of predictive probabilities in probit models via expectation propagation

arxiv url: http://arxiv.org/abs/2309.01630v1
Date: Mon, 4 Sep 2023 14:21:44 GMT
ステータス: 処理完了
システム内更新日: 2023-09-06 18:23:11.255270
Title: Efficient computation of predictive probabilities in probit models via expectation propagation
Title（参考訳）: 期待伝播によるプロビットモデルにおける予測確率の効率的な計算
Authors: Augusto Fasano, Niccol\`o Anceschi, Beatrice Franzolini, Giovanni Rebaudo
Abstract要約: 我々は予測伝搬(EP)によるベイズ確率モデルの予測確率の計算に焦点をあてる。このような予測確率がクローズドな表現を持つことを示す。シミュレーションスタディでは、最先端のアプローチの改善が示されている。
参考スコア（独自算出の注目度）: 1.433758865948252
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Binary regression models represent a popular model-based approach for binary classification. In the Bayesian framework, computational challenges in the form of the posterior distribution motivate still-ongoing fruitful research. Here, we focus on the computation of predictive probabilities in Bayesian probit models via expectation propagation (EP). Leveraging more general results in recent literature, we show that such predictive probabilities admit a closed-form expression. Improvements over state-of-the-art approaches are shown in a simulation study.
Abstract（参考訳）: 二項回帰モデルは二項分類における一般的なモデルに基づくアプローチである。ベイズフレームワークでは、後続分布の形式における計算上の課題は、まだ実りある研究を動機付けている。本稿では,期待伝播(ep)によるベイズ確率モデルにおける予測確率の計算に着目する。近年の文献において、より一般的な結果を用いて、そのような予測確率は閉形式表現を許容することを示した。最先端のアプローチに対する改善がシミュレーション研究で示されている。

関連論文リスト

Supervised Score-Based Modeling by Gradient Boosting [49.556736252628745]
本稿では,スコアマッチングを組み合わせた勾配向上アルゴリズムとして,SSM(Supervised Score-based Model)を提案する。推測時間と予測精度のバランスをとるため,SSMの学習とサンプリングに関する理論的解析を行った。我々のモデルは、精度と推測時間の両方で既存のモデルより優れています。
論文参考訳（メタデータ） (2024-11-02T07:06:53Z)
Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。本手法は, 推定手法よりも有効であることを示す。
論文参考訳（メタデータ） (2024-08-26T08:39:09Z)
A variational neural Bayes framework for inference on intractable posterior distributions [1.0801976288811024]
トレーニングされたニューラルネットワークに観測データを供給することにより、モデルパラメータの後方分布を効率的に取得する。理論的には、我々の後部はKulback-Leiblerの発散において真の後部に収束することを示す。
論文参考訳（メタデータ） (2024-04-16T20:40:15Z)
Efficient Incremental Belief Updates Using Weighted Virtual Observations [2.7195102129095003]
モンテカルロ推論の文脈における漸進的信念更新問題に対するアルゴリズム的解を提案する。このアプローチの効率性と堅牢性を示すために,多くの実践例とケーススタディにソリューションを実装し,適用する。
論文参考訳（メタデータ） (2024-02-10T12:48:49Z)
Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文参考訳（メタデータ） (2023-09-02T01:27:53Z)
Model Predictive Control with Gaussian-Process-Supported Dynamical Constraints for Autonomous Vehicles [82.65261980827594]
本研究では、学習したガウス過程を利用して人間の運転行動を予測する自動運転車のモデル予測制御手法を提案する。マルチモード予測制御アプローチは、人間のドライバーの意図を考察する。
論文参考訳（メタデータ） (2023-03-08T17:14:57Z)
Fast Estimation of Bayesian State Space Models Using Amortized Simulation-Based Inference [0.0]
本稿では,ベイズ状態空間モデルの隠れ状態を推定するための高速アルゴリズムを提案する。事前トレーニングの後、データセットの後方分布を見つけるには、100分の1秒から10分の1秒かかる。
論文参考訳（メタデータ） (2022-10-13T16:37:05Z)
Bayesian Neural Network Inference via Implicit Models and the Posterior Predictive Distribution [0.8122270502556371]
本稿では,ベイズニューラルネットワークのような複雑なモデルにおいて,近似ベイズ推論を行うための新しい手法を提案する。このアプローチはMarkov Chain Monte Carloよりも大規模データに対してスケーラブルである。これは、サロゲートや物理モデルのような応用に有用であると考えています。
論文参考訳（メタデータ） (2022-09-06T02:43:19Z)
Pathologies of Pre-trained Language Models in Few-shot Fine-tuning [50.3686606679048]
実例が少ない事前学習言語モデルはラベル間に強い予測バイアスを示すことを示す。わずかな微調整で予測バイアスを軽減できるが,本分析では,非タスク関連の特徴を捉えることで,モデルの性能向上を図っている。これらの観察は、より少ない例でモデルのパフォーマンスを追求することは、病理学的予測行動を引き起こす可能性があることを警告する。
論文参考訳（メタデータ） (2022-04-17T15:55:18Z)
Distributional Gradient Boosting Machines [77.34726150561087]
私たちのフレームワークはXGBoostとLightGBMをベースにしています。我々は,このフレームワークが最先端の予測精度を実現することを示す。
論文参考訳（メタデータ） (2022-04-02T06:32:19Z)
Latent Gaussian Model Boosting [0.0]
ツリーブースティングは多くのデータセットに対して優れた予測精度を示す。シミュレーションおよび実世界のデータ実験において,既存の手法と比較して予測精度が向上した。
論文参考訳（メタデータ） (2021-05-19T07:36:30Z)

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。