論文の概要: Learn2Extend: Extending sequences by retaining their statistical
properties with mixture models
- arxiv url: http://arxiv.org/abs/2312.01507v1
- Date: Sun, 3 Dec 2023 21:05:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 17:10:09.355068
- Title: Learn2Extend: Extending sequences by retaining their statistical
properties with mixture models
- Title（参考訳）: Learn2Extend: 混合モデルでそれらの統計特性を保持することでシーケンスを拡張する
- Authors: Dimitris Vartziotis, George Dasoulas, Florian Pausinger
- Abstract要約: 本稿では,実数列の一般有限列を実数列の部分区間内で拡張するという課題に対処する。
我々の焦点は、これらの点集合のギャップ分布とペア相関関数を保存することにある。
本稿では,ポイントプロセスに適用されたディープラーニングの進歩を活用し,自動回帰テキストシーケンス拡張混合モデルの利用について検討する。
- 参考スコア（独自算出の注目度）: 7.15769102504304
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper addresses the challenge of extending general finite sequences of
real numbers within a subinterval of the real line, maintaining their inherent
statistical properties by employing machine learning. Our focus lies on
preserving the gap distribution and pair correlation function of these point
sets. Leveraging advancements in deep learning applied to point processes, this
paper explores the use of an auto-regressive \textit{Sequence Extension Mixture
Model} (SEMM) for extending finite sequences, by estimating directly the
conditional density, instead of the intensity function. We perform comparative
experiments on multiple types of point processes, including Poisson, locally
attractive, and locally repelling sequences, and we perform a case study on the
prediction of Riemann $\zeta$ function zeroes. The results indicate that the
proposed mixture model outperforms traditional neural network architectures in
sequence extension with the retention of statistical properties. Given this
motivation, we showcase the capabilities of a mixture model to extend
sequences, maintaining specific statistical properties, i.e. the gap
distribution, and pair correlation indicators.
- Abstract（参考訳）: 本稿では,実数列の一般有限列を実数列の範囲内で拡張し,その固有な統計特性を機械学習を用いて維持するという課題に対処する。
我々の焦点は、これらの点集合のギャップ分布と対相関関数を保存することである。
本稿では,点過程に応用した深層学習の進歩を生かして,有限列の拡張に自動回帰的 \textit{Sequence Extension Mixture Model} (SEMM) を用いることを,強度関数の代わりに条件密度を直接推定することによって検討する。
本研究ではポアソン,局所的魅力,局所的忌避列を含む多種類の点過程について比較実験を行い,リーマン$\zeta$関数零点の予測についてケーススタディを行った。
その結果,提案した混合モデルは,統計特性の保持を伴うシーケンス拡張において,従来のニューラルネットワークアーキテクチャよりも優れていた。
このようなモチベーションを前提として、配列を拡張し、特定の統計特性、すなわちギャップ分布とペア相関指標を維持する混合モデルの能力を示す。
関連論文リスト
- On learning higher-order cumulants in diffusion models [6.610338540492242]
本研究では, 高次累積関数, あるいは連結n点関数の挙動を, 前方および後方の両方の過程下で研究する。
モーメントおよび累積生成関数の明示的な表現を導出する。
我々は,非ゼロ累積およびスカラー格子場理論を用いた,正確に解けるおもちゃモデルで実験結果を検証した。
論文 参考訳（メタデータ） (2024-10-28T16:57:02Z) - Statistical Inference for Temporal Difference Learning with Linear Function Approximation [62.69448336714418]
時間差差(TD)学習は、おそらく政策評価に最も広く使用されるものであり、この目的の自然な枠組みとして機能する。
本稿では,Polyak-Ruppert平均化と線形関数近似によるTD学習の整合性について検討し,既存の結果よりも3つの重要な改善点を得た。
論文 参考訳（メタデータ） (2024-10-21T15:34:44Z) - Convergence of Score-Based Discrete Diffusion Models: A Discrete-Time Analysis [56.442307356162864]
連続時間マルコフ連鎖(CTMC)に基づくスコアベース離散拡散モデルの理論的側面について検討する。
本稿では,事前定義された時間点におけるスコア推定値を利用する離散時間サンプリングアルゴリズムを一般状態空間$[S]d$に導入する。
我々の収束解析はジルサノフ法を用いて離散スコア関数の重要な性質を確立する。
論文 参考訳（メタデータ） (2024-10-03T09:07:13Z) - Convergence Analysis of Discrete Diffusion Model: Exact Implementation
through Uniformization [17.535229185525353]
連続マルコフ連鎖の均一化を利用したアルゴリズムを導入し、ランダムな時間点の遷移を実装した。
我々の結果は、$mathbbRd$における拡散モデルの最先端の成果と一致し、さらに$mathbbRd$設定と比較して離散拡散モデルの利点を浮き彫りにする。
論文 参考訳（メタデータ） (2024-02-12T22:26:52Z) - Learning Linear Causal Representations from Interventions under General
Nonlinear Mixing [52.66151568785088]
介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。
これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
論文 参考訳（メタデータ） (2023-06-04T02:32:12Z) - Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。
条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。
提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文 参考訳（メタデータ） (2022-11-30T05:33:29Z) - Mutual Exclusivity Training and Primitive Augmentation to Induce
Compositionality [84.94877848357896]
最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。
本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。
広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
論文 参考訳（メタデータ） (2022-11-28T17:36:41Z) - Functional Mixtures-of-Experts [0.24578723416255746]
観測対象が関数を含む状況下での予測のための異種データの統計的解析について検討する。
まず,機能的ME(FME)と呼ばれる新しいMEモデルのファミリーを提示する。
我々は,モデルに適合する最大パラメータ推定戦略を定式化したLasso-like (EM-Lasso) の専用予測-最大化アルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-02-04T17:32:28Z) - Optimal regularizations for data generation with probabilistic graphical
models [0.0]
経験的に、よく調和された正規化スキームは、推論されたモデルの品質を劇的に改善する。
生成的ペアワイドグラフィカルモデルの最大Aポストエリオーリ(MAP)推論におけるL2とL1の正規化について検討する。
論文 参考訳（メタデータ） (2021-12-02T14:45:16Z) - Slice Sampling for General Completely Random Measures [74.24975039689893]
本稿では, 後続推定のためのマルコフ連鎖モンテカルロアルゴリズムについて, 補助スライス変数を用いてトランケーションレベルを適応的に設定する。
提案アルゴリズムの有効性は、いくつかの一般的な非パラメトリックモデルで評価される。
論文 参考訳（メタデータ） (2020-06-24T17:53:53Z) - The continuous categorical: a novel simplex-valued exponential family [23.983555024375306]
単純な値を持つデータに対する標準的な選択は、バイアスや数値問題など、いくつかの制限に悩まされていることを示す。
我々は,これらの制約を,単純度値データモデリングのための新しい指数関数列を導入することによって解決する。
ディリクレや他の典型的な選択とは異なり、連続な圏は確率的損失関数をよく表す。
論文 参考訳（メタデータ） (2020-02-20T04:28:02Z)
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。