論文の概要: Repelling Random Walks

• arxiv url: http://arxiv.org/abs/2310.04854v2
• Date: Fri, 24 May 2024 11:05:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-27 23:56:12.620536
• Title: Repelling Random Walks
• Title（参考訳）: ランダムウォークの撃退
• Authors: Isaac Reid, Eli Berger, Krzysztof Choromanski, Adrian Weller,
• Abstract要約: グラフに基づくサンプリングを改善するための擬似モンテカルロ機構を提案する。 本稿では,グラフカーネル,PageRankベクトル,およびグラフレット濃度の推定など,ランダムウォークの反発効果を示す。 我々の知る限り、ランダムウォークは、グラフ上のウォーカーの方向を関連づけた最初の厳密に研究された準モンテカルロスキームであり、このエキサイティングな新生領域における新たな研究を招いている。
• 参考スコア（独自算出の注目度）: 42.75616308187867
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a novel quasi-Monte Carlo mechanism to improve graph-based sampling, coined repelling random walks. By inducing correlations between the trajectories of an interacting ensemble such that their marginal transition probabilities are unmodified, we are able to explore the graph more efficiently, improving the concentration of statistical estimators whilst leaving them unbiased. The mechanism has a trivial drop-in implementation. We showcase the effectiveness of repelling random walks in a range of settings including estimation of graph kernels, the PageRank vector and graphlet concentrations. We provide detailed experimental evaluation and robust theoretical guarantees. To our knowledge, repelling random walks constitute the first rigorously studied quasi-Monte Carlo scheme correlating the directions of walkers on a graph, inviting new research in this exciting nascent domain.
• Abstract（参考訳）: グラフに基づくサンプリングを改善するための擬似モンテカルロ機構を提案する。 相互作用するアンサンブルの軌道間の相関関係を、その境界遷移確率が変更されないように誘導することにより、より効率的にグラフを探索し、統計推定器の濃度を改善できる。 このメカニズムには、簡単なドロップイン実装がある。 本稿では,グラフカーネル,PageRankベクトル,およびグラフレット濃度の推定など,ランダムウォークの反発効果を示す。 我々は、詳細な実験評価と堅牢な理論的保証を提供する。 我々の知る限り、ランダムウォークは、グラフ上のウォーカーの方向を関連づけた最初の厳密に研究された準モンテカルロスキームであり、このエキサイティングな新生領域における新たな研究を招いている。

関連論文リスト

• von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
  円値ランダム関数上の表現的および解釈可能な分布の族を探索する。 結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。 後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
  論文  参考訳（メタデータ） (2024-06-19T01:57:21Z)
• Variance-Reducing Couplings for Random Features: Perspectives from Optimal Transport [57.73648780299374]
  ランダム機能(RF)は、機械学習におけるカーネルメソッドをスケールアップするための一般的なテクニックであり、正確なカーネル評価をモンテカルロ推定に置き換える。 我々は、理論的洞察と数値アルゴリズムを用いて最適な輸送の統一的な枠組みを用いて、ユークリッドおよび離散入力空間上で定義されたカーネルに対して、新しい高性能なRF結合を開発する。 パラダイムとしての分散還元の利点と限界について、驚くほどの結論に達した。
  論文  参考訳（メタデータ） (2024-05-26T12:25:09Z)
• Statistical inverse learning problems with random observations [0.0]
  本稿では, 非線形逆問題と非線形逆問題の両方を対象とし, ランダムな実験設計による統計的逆問題における最近の進展について概説する。 スペクトル正則化法と射影による正則化の最近の結果について考察し、ヒルベルトスケールの文脈内で両方のアプローチを探索する。 薬物動態・薬物動態(PK/PD)モデルにおける非線形逆問題へのこれらの概念の適用を実証する。
  論文  参考訳（メタデータ） (2023-12-23T20:34:49Z)
• Learning in Deep Factor Graphs with Gaussian Belief Propagation [25.46318505434071]
  我々は,すべての関連する量をグラフィカルモデルにおけるランダム変数として扱い,学習と予測の両方を異なる観測ノードでの推論問題とみなす。 本実験は,更新が本質的に局所的である信念伝播(BP)を用いて,これらの問題を効率的に解けることを示す。 私たちのアプローチはディープネットワークに拡張することができ、継続的な学習を行う自然な手段を提供します。
  論文  参考訳（メタデータ） (2023-11-24T18:31:11Z)
• Quasi-Monte Carlo Graph Random Features [38.762964164013226]
  グラフランダム特徴量(GRF)の精度向上のための新しいメカニズムを提案する。 提案手法は, アルゴリズムのランダムウォークの長さ間の負の相関を, アンチセティック終端を付与することによって引き起こす。 これらの準モンテカルロ GRF の性質に関する強い理論的保証を得る。
  論文  参考訳（メタデータ） (2023-05-21T14:12:02Z)
• Monte Carlo generation of localised particle trajectories [0.0]
  我々は,局所的な相互作用のサンプリングを改善するために,ファインマン経路積分のモンテカルロシミュレーションの修正を導入する。 新しいアルゴリズムは、相互作用領域に集中するように設計された単純な背景電位の軌跡を生成する。 これはシステムの統計的サンプリングを改善し、ブラウン運動に固有の空間拡散に起因する長年の「アンダーサンプリング問題」を克服する。
  論文  参考訳（メタデータ） (2023-04-20T17:50:30Z)
• From Pseudorandomness to Multi-Group Fairness and Back [17.677928204060628]
  予測アルゴリズムの多群公正性に関する最近の文献と、漏洩抵抗性とグラフ正則性の擬似ランダム性の概念の関連を同定し、探索する。 我々は,結果の不一致の概念と密接に関連している,統計的距離に基づく新しいマルチキャリブレーションの変種を用いて,本研究の枠組みを定式化した。
  論文  参考訳（メタデータ） (2023-01-21T00:37:12Z)
• Reachability analysis in stochastic directed graphs by reinforcement learning [67.87998628083218]
  マルコフグラフにおける遷移確率のダイナミクスは差分包摂によってモデル化できることを示す。 我々は、ノードの集合の到達可能性確率の上限と下限を提供するために、報酬関数を設計する方法論を提供する。
  論文  参考訳（メタデータ） (2022-02-25T08:20:43Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)

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。