論文の概要: Mixture Density Networks for Classification with an Application to Product Bundling

• arxiv url: http://arxiv.org/abs/2402.05428v1
• Date: Thu, 8 Feb 2024 05:54:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-09 16:34:19.300496
• Title: Mixture Density Networks for Classification with an Application to Product Bundling
• Title（参考訳）: 分類のための混合密度ネットワークと製品バンドルへの応用
• Authors: Narendhar Gugulothu, Sanjay P. Bhat, Tejas Bodas
• Abstract要約: 分類タスクのための2つのMDNモデルを提案する。 我々はMDNベースのモデルを用いて、合成販売データから2つの製品に対する有償(WTP)分布を学習する。 提案したMDNベースのモデルは、製品とバンドルの真のWTP分布をよく近似することができる。
• 参考スコア（独自算出の注目度）: 5.294604210205507
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While mixture density networks (MDNs) have been extensively used for regression tasks, they have not been used much for classification tasks. One reason for this is that the usability of MDNs for classification is not clear and straightforward. In this paper, we propose two MDN-based models for classification tasks. Both models fit mixtures of Gaussians to the the data and use the fitted distributions to classify a given sample by evaluating the learnt cumulative distribution function for the given input features. While the proposed MDN-based models perform slightly better than, or on par with, five baseline classification models on three publicly available datasets, the real utility of our models comes out through a real-world product bundling application. Specifically, we use our MDN-based models to learn the willingness-to-pay (WTP) distributions for two products from synthetic sales data of the individual products. The Gaussian mixture representation of the learnt WTP distributions is then exploited to obtain the WTP distribution of the bundle consisting of both the products. The proposed MDN-based models are able to approximate the true WTP distributions of both products and the bundle well.
• Abstract（参考訳）: 混合密度ネットワーク(MDN)は回帰タスクに広く用いられているが、分類タスクにはあまり使われていない。 この理由の1つは、MDNの分類における使用性が明確で簡単でないことである。 本稿では,mdnに基づく2つの分類モデルを提案する。 どちらのモデルもガウスの混合物をデータに当てはめ、与えられた入力特徴の学習累積分布関数を評価することにより、適合した分布を用いてサンプルを分類する。 提案するmdnベースのモデルは,公開されている3つのデータセット上の5つのベースライン分類モデルよりも若干優れていますが,実際の実用性は実世界の製品バンドルアプリケーションを通じて得られます。 具体的には、MDNベースのモデルを用いて、各商品の合成販売データから2つの商品に対する有償(WTP)分布を学習する。 次に、学習されたwtp分布のガウス混合表現を利用して、両方の積からなるバンドルのwtp分布を得る。 提案したMDNベースのモデルは、製品とバンドルの真のWTP分布をよく近似することができる。

関連論文リスト

• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  本報告では,明示的な次元の一般スコアミスマッチ拡散サンプリング器を用いた最初の性能保証について述べる。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Score Neural Operator: A Generative Model for Learning and Generalizing Across Multiple Probability Distributions [7.851040662069365]
  我々は,複数の確率分布からスコア関数へのマッピングを統一されたフレームワーク内で学習する,$emphScore Neural Operatorを紹介した。 提案手法は,新しい分布からの1つのイメージを利用すれば,その分布から複数の異なる画像を生成することができる。
  論文  参考訳（メタデータ） (2024-10-11T06:00:34Z)
• The SVHN Dataset Is Deceptive for Probabilistic Generative Models Due to a Distribution Mismatch [12.542073306638988]
  Street View House Numbersデータセットは、ディープラーニングにおける人気のあるベンチマークデータセットである。 SVHNデータセットのトレーニングセットとテストセットに公式の分割が同じ分布から引き出されていないことを警告する。 本稿では,SVHNが分類以外のタスクに使用される場合に,公式のトレーニングセットとテストセットを混合して再分割することを提案する。
  論文  参考訳（メタデータ） (2023-10-30T15:38:31Z)
• Discrete Diffusion Modeling by Estimating the Ratios of the Data Distribution [67.9215891673174]
  離散空間に対するスコアマッチングを自然に拡張する新たな損失として,スコアエントロピーを提案する。 標準言語モデリングタスク上で,Score Entropy Discrete Diffusionモデルをテストする。
  論文  参考訳（メタデータ） (2023-10-25T17:59:12Z)
• Probabilistic Classification by Density Estimation Using Gaussian Mixture Model and Masked Autoregressive Flow [1.3706331473063882]
  データ分布を推定する密度推定は確率論的機械学習の重要なカテゴリである。 本稿では,密度推定器を用いて分類するが,データの分布を推定するためによく用いられる。 我々は,GMMとMAFを用いて,密度推定によるデータクラスの可能性のモデル化を行う。
  論文  参考訳（メタデータ） (2023-10-16T21:37:22Z)
• Diff-Instruct: A Universal Approach for Transferring Knowledge From Pre-trained Diffusion Models [77.83923746319498]
  本稿では,任意の生成モデルの学習を指導するDiff-Instructというフレームワークを提案する。 Diff-Instructは、最先端の単一ステップ拡散モデルであることを示す。 GANモデルの精製実験により、Diff-InstructはGANモデルの事前訓練されたジェネレータを一貫して改善できることが示されている。
  論文  参考訳（メタデータ） (2023-05-29T04:22:57Z)
• Generative Adversarial Nets: Can we generate a new dataset based on only one training set? [16.3460693863947]
  GAN(Generative Adversarial Network)は、Goodfellowらによって設計された機械学習フレームワークのクラスである。 GANはトレーニングセットと同じ分布から新しいサンプルを生成する。 本研究では、トレーニングセットとは異なる分布を持つ新しいデータセットを作成することを目的としている。
  論文  参考訳（メタデータ） (2022-10-12T08:22:12Z)
• Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
  まず確率分布をモデル化し,そのモデルからサンプリングする。 これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
  論文  参考訳（メタデータ） (2021-10-20T12:25:22Z)
• WILDS: A Benchmark of in-the-Wild Distribution Shifts [157.53410583509924]
  分散シフトは、ワイルドにデプロイされた機械学習システムの精度を実質的に低下させることができる。 分散シフトの多様な範囲を反映した8つのベンチマークデータセットのキュレーションコレクションであるWILDSを紹介します。 本研究は, 標準訓練の結果, 分布性能よりも, 分布域外性能が有意に低下することを示す。
  論文  参考訳（メタデータ） (2020-12-14T11:14:56Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)

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。