論文の概要: A Probabilistic Semi-Supervised Approach with Triplet Markov Chains

• arxiv url: http://arxiv.org/abs/2309.03707v1
• Date: Thu, 7 Sep 2023 13:34:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-08 12:58:17.105606
• Title: A Probabilistic Semi-Supervised Approach with Triplet Markov Chains
• Title（参考訳）: Triplet Markov Chainsを用いた確率的半教師付きアプローチ
• Authors: Katherine Morales, Yohan Petetin
• Abstract要約: トリプルトマルコフ連鎖はシーケンシャルデータの一般的な生成モデルである。 パラメータ化マルコフ連鎖モデルを訓練するための変分ベイズ推定に基づく一般的なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.000779758350696
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Triplet Markov chains are general generative models for sequential data which take into account three kinds of random variables: (noisy) observations, their associated discrete labels and latent variables which aim at strengthening the distribution of the observations and their associated labels. However, in practice, we do not have at our disposal all the labels associated to the observations to estimate the parameters of such models. In this paper, we propose a general framework based on a variational Bayesian inference to train parameterized triplet Markov chain models in a semi-supervised context. The generality of our approach enables us to derive semi-supervised algorithms for a variety of generative models for sequential Bayesian classification.
• Abstract（参考訳）: トリプルトマルコフ連鎖は、(ノイズ)観測、関連する離散ラベル、および関連するラベルの分布を強化することを目的とした潜在変数の3種類のランダム変数を考慮に入れたシーケンシャルデータの一般的な生成モデルである。 しかし、実際には、そのようなモデルのパラメータを推定するために、観測に関連するラベルを全て処分することはできません。 本稿では,半教師付き文脈でパラメータ付き三重項マルコフ連鎖モデルを学習するための変分ベイズ推定に基づく一般的な枠組みを提案する。 このアプローチの一般化により、逐次ベイズ分類のための様々な生成モデルに対する半教師付きアルゴリズムを導出することができる。

関連論文リスト

• Human-in-the-loop: Towards Label Embeddings for Measuring Classification Difficulty [14.452983136429967]
  教師付き学習では、トレーニングプロセスの第1段階、つまりアノテーションフェーズにおいて、すでに不確実性が発生する可能性がある。 この研究の主な考え方は、基礎となる真理ラベルの仮定を捨て、代わりにアノテーションを多次元空間に埋め込むことである。 本稿では,複数のアノテータが独立してインスタンスをラベル付けする,様々な状況に展開する手法を提案する。
  論文  参考訳（メタデータ） (2023-11-15T11:23:15Z)
• A modern approach to transition analysis and process mining with Markov models: A tutorial with R [0.9699640804685629]
  この章は、この方法を紹介し、最も一般的なバリエーションを区別する。 既存の文献の詳細な説明と文脈化に加えて、この章では、各タイプのマルコフモデルの実装方法に関するステップバイステップのチュートリアルを提供している。
  論文  参考訳（メタデータ） (2023-09-02T07:24:32Z)
• Covariate shift in nonparametric regression with Markovian design [0.0]
  ナダラヤ・ワトソン核推定器の滑らかさリスクに対する収束速度は、ソースとターゲットマルコフ連鎖に関連する不変分布の類似性によって決定されることを示す。 我々は、Kpotufe と Martinet からの分布指数の概念を、一様エルゴードなマルコフ鎖の核移動指数に拡張する。
  論文  参考訳（メタデータ） (2023-07-17T14:24:27Z)
• Differentiating Metropolis-Hastings to Optimize Intractable Densities [51.16801956665228]
  我々はメトロポリス・ハスティングス検層の自動識別アルゴリズムを開発した。 難解な対象密度に対する期待値として表現された目的に対して勾配に基づく最適化を適用する。
  論文  参考訳（メタデータ） (2023-06-13T17:56:02Z)
• Leveraging Instance Features for Label Aggregation in Programmatic Weak Supervision [75.1860418333995]
  Programmatic Weak Supervision (PWS) は、トレーニングラベルを効率的に合成するための広く普及したパラダイムとして登場した。 PWSのコアコンポーネントはラベルモデルであり、複数のノイズ管理ソースの出力をラベル関数として集約することで、真のラベルを推論する。 既存の統計ラベルモデルは一般的にLFの出力のみに依存し、基礎となる生成過程をモデル化する際のインスタンスの特徴を無視している。
  論文  参考訳（メタデータ） (2022-10-06T07:28:53Z)
• Wrapped Distributions on homogeneous Riemannian manifolds [58.720142291102135]
  パラメータ、対称性、モダリティなどの分布の性質の制御は、フレキシブルな分布の族を生み出す。 変動型オートエンコーダと潜在空間ネットワークモデル内で提案した分布を利用して,我々のアプローチを実証的に検証する。
  論文  参考訳（メタデータ） (2022-04-20T21:25:21Z)
• Oops I Took A Gradient: Scalable Sampling for Discrete Distributions [53.3142984019796]
  このアプローチは、多くの困難な設定において、ジェネリックサンプリングよりも優れていることを示す。 また,高次元離散データを用いた深部エネルギーモデルトレーニングのための改良型サンプリング器についても実演した。
  論文  参考訳（メタデータ） (2021-02-08T20:08:50Z)
• Estimation of Switched Markov Polynomial NARX models [75.91002178647165]
  非線形自己回帰(NARX)成分を特徴とするハイブリッド力学系のモデル群を同定する。 提案手法は, 特定の回帰器を持つ3つの非線形サブモデルからなるSMNARX問題に対して実証される。
  論文  参考訳（メタデータ） (2020-09-29T15:00:47Z)
• Semi-supervised Neural Chord Estimation Based on a Variational Autoencoder with Latent Chord Labels and Features [18.498244371257304]
  本稿では,自動コード推定のための統計的手法について述べる。 コードアノテーションの入手の有無にかかわらず、音楽信号の有効利用が可能となる。
  論文  参考訳（メタデータ） (2020-05-14T15:58:36Z)
• Learning from Aggregate Observations [82.44304647051243]
  本研究では,一組のインスタンスに監視信号が与えられる集合観察から学習する問題について検討する。 本稿では,多種多様な集合観測に適合する一般的な確率的枠組みを提案する。 単純な極大解は様々な微分可能なモデルに適用できる。
  論文  参考訳（メタデータ） (2020-04-14T06:18:50Z)

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。