Fugu-MT 論文翻訳(概要): Pearl's and Jeffrey's Update as Modes of Learning in Probabilistic Programming

論文の概要: Pearl's and Jeffrey's Update as Modes of Learning in Probabilistic Programming

arxiv url: http://arxiv.org/abs/2309.07053v2
Date: Sat, 18 Nov 2023 20:17:39 GMT
ステータス: 処理完了
システム内更新日: 2023-11-22 18:11:43.235581
Title: Pearl's and Jeffrey's Update as Modes of Learning in Probabilistic Programming
Title（参考訳）: 確率的プログラミングにおける学習モードとしてのpearlとjeffreyの更新
Authors: Bart Jacobs and Dario Stein
Abstract要約: パールとジェフリーのルールは、異なる結果をもたらす2つの自然な更新メカニズムである。本稿では,それらの関係をいくつかの方法で明らかにする。
参考スコア（独自算出の注目度）: 0.7770029179741429
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The concept of updating a probability distribution in the light of new evidence lies at the heart of statistics and machine learning. Pearl's and Jeffrey's rule are two natural update mechanisms which lead to different outcomes, yet the similarities and differences remain mysterious. This paper clarifies their relationship in several ways: via separate descriptions of the two update mechanisms in terms of probabilistic programs and sampling semantics, and via different notions of likelihood (for Pearl and for Jeffrey). Moreover, it is shown that Jeffrey's update rule arises via variational inference. In terms of categorical probability theory, this amounts to an analysis of the situation in terms of the behaviour of the multiset functor, extended to the Kleisli category of the distribution monad.
Abstract（参考訳）: 新しい証拠に照らして確率分布を更新するという概念は、統計学と機械学習の中心にある。パールとジェフリーのルールは、異なる結果をもたらす2つの自然な更新メカニズムであるが、類似点と相違点はまだ謎のままである。本稿では、確率的プログラムとサンプリングセマンティクスの観点から2つの更新メカニズムを別々に記述し、パールとジェフリーについて)異なる可能性の概念でそれらの関係を明らかにする。さらに,jeffreyの更新規則は変分推論によって生じることを示した。カテゴリー的確率論の観点では、これは分布モナドのクライスリ圏に拡張された多重集合関手の振舞いの観点からの状況の分析に相当する。

関連論文リスト

Proxy Methods for Domain Adaptation [78.03254010884783]
プロキシ変数は、遅延変数を明示的にリカバリしたりモデル化したりすることなく、分散シフトへの適応を可能にする。両設定の複雑な分散シフトに適応する2段階のカーネル推定手法を開発した。
論文参考訳（メタデータ） (2024-03-12T09:32:41Z)
On the Joint Interaction of Models, Data, and Features [82.60073661644435]
本稿では,データとモデル間の相互作用を実験的に解析する新しいツールであるインタラクションテンソルを紹介する。これらの観測に基づいて,特徴学習のための概念的枠組みを提案する。この枠組みの下では、一つの仮説に対する期待された精度と一対の仮説に対する合意はどちらも閉形式で導出することができる。
論文参考訳（メタデータ） (2023-06-07T21:35:26Z)
Inferential Moments of Uncertain Multivariable Systems [0.0]
我々はベイズ確率の更新をランダムなプロセスとして扱い、推論モーメントと呼ばれる結合確率分布の固有量的特徴を明らかにする。推論モーメントは、まだ取得されていない情報に応じて、事前分布がどのように更新されるかについての形状情報を定量化する。情報理論の要素と推論理論の関連性を示す推論モーメントの観点から,相互情報の時系列展開を求める。
論文参考訳（メタデータ） (2023-05-03T00:56:12Z)
Explainability as statistical inference [29.74336283497203]
本稿では、解釈可能な予測を生成するために設計された一般的な深層確率モデルを提案する。モデルパラメータは最大限の確率で学習でき、任意の予測ネットワークアーキテクチャに適応することができる。実験により,複数命令を用いるとより合理的な解釈が得られることが示された。
論文参考訳（メタデータ） (2022-12-06T16:55:10Z)
Information Processing Equalities and the Information-Risk Bridge [10.451984251615512]
本稿では,統計実験のための2つの新しい情報尺度について紹介する。我々は,情報量測定と統計的決定問題のベイズリスクとの簡単な幾何学的関係を導出する。
論文参考訳（メタデータ） (2022-07-25T08:54:36Z)
Causal Discovery in Heterogeneous Environments Under the Sparse Mechanism Shift Hypothesis [7.895866278697778]
機械学習のアプローチは、一般に独立で同一に分散されたデータ(すなわち、d)の仮定に依存する。実際、この仮定は環境間の分散シフトによってほとんど常に破られる。そこで我々は,様々な経験的推定器に適用可能なスコアベースアプローチであるメカニズムシフトスコア(MSS)を提案する。
論文参考訳（メタデータ） (2022-06-04T15:39:30Z)
Uncertainty Modeling for Out-of-Distribution Generalization [56.957731893992495]
特徴統計を適切に操作することで、ディープラーニングモデルの一般化能力を向上させることができると論じる。一般的な手法では、特徴統計を学習した特徴から測定された決定論的値とみなすことが多い。我々は、学習中に合成された特徴統計を用いて、領域シフトの不確かさをモデル化することにより、ネットワークの一般化能力を向上させる。
論文参考訳（メタデータ） (2022-02-08T16:09:12Z)
Fair Wrapping for Black-box Predictions [105.10203274098862]
予測を修飾するα木として定義したラッパー関数を学習する。この修正は, アルファツリーの構成, 一般化, 解釈可能性, および修正された予測とオリジナル予測のKLの相違に関して, 魅力的な性質を有することを示す。
論文参考訳（メタデータ） (2022-01-31T01:02:39Z)
Consistent Sufficient Explanations and Minimal Local Rules for explaining regression and classification models [0.0]
我々は確率的十分説明(P-SE)の概念を拡張した P-SEの要点は、同じ予測を維持する条件確率を計算することである。我々は、$X$の分布を学ばず、予測を行うモデルも持たない非バイナリ機能に対処する。
論文参考訳（メタデータ） (2021-11-08T17:27:52Z)
CC-Cert: A Probabilistic Approach to Certify General Robustness of Neural Networks [58.29502185344086]
安全クリティカルな機械学習アプリケーションでは、モデルを敵の攻撃から守ることが不可欠である。意味的に意味のある入力変換に対して、ディープラーニングモデルの証明可能な保証を提供することが重要である。我々はChernoff-Cramer境界に基づく新しい普遍確率的証明手法を提案する。
論文参考訳（メタデータ） (2021-09-22T12:46:04Z)
Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
論文参考訳（メタデータ） (2020-02-17T19:23:36Z)

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。