論文の概要: An Efficient Quasi-Random Sampling for Copulas
- arxiv url: http://arxiv.org/abs/2403.05281v1
- Date: Fri, 8 Mar 2024 13:01:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-11 19:36:53.204552
- Title: An Efficient Quasi-Random Sampling for Copulas
- Title(参考訳): コピュラスの効率的な擬似サンプリング
- Authors: Sumin Wang, Chenxian Huang, Yongdao Zhou and Min-Qian Liu
- Abstract要約: 本稿では、GAN(Generative Adrial Networks)のような生成モデルを用いて、任意のコプラに対して準ランダムなサンプルを生成することを提案する。
GANは、複雑なデータの分布を学習するために使われる暗黙的な生成モデルの一種であり、簡単にサンプリングできる。
- 参考スコア(独自算出の注目度): 3.400056739248712
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper examines an efficient method for quasi-random sampling of copulas
in Monte Carlo computations. Traditional methods, like conditional distribution
methods (CDM), have limitations when dealing with high-dimensional or implicit
copulas, which refer to those that cannot be accurately represented by existing
parametric copulas. Instead, this paper proposes the use of generative models,
such as Generative Adversarial Networks (GANs), to generate quasi-random
samples for any copula. GANs are a type of implicit generative models used to
learn the distribution of complex data, thus facilitating easy sampling. In our
study, GANs are employed to learn the mapping from a uniform distribution to
copulas. Once this mapping is learned, obtaining quasi-random samples from the
copula only requires inputting quasi-random samples from the uniform
distribution. This approach offers a more flexible method for any copula.
Additionally, we provide theoretical analysis of quasi-Monte Carlo estimators
based on quasi-random samples of copulas. Through simulated and practical
applications, particularly in the field of risk management, we validate the
proposed method and demonstrate its superiority over various existing methods.
- Abstract(参考訳): 本稿ではモンテカルロ計算におけるコプラの擬似ランダムサンプリング法について検討する。
条件分布法(CDM)のような従来の手法は、高次元または暗黙のコプラを扱う際に制限があり、既存のパラメトリックコプラで正確に表現できないものを指す。
そこで本研究では,GAN(Generative Adversarial Networks)などの生成モデルを用いて,コーパスの準ランダムなサンプルを生成する。
GANは、複雑なデータの分布を学習するために使われる暗黙的な生成モデルの一種であり、簡単にサンプリングできる。
本研究では,GANを用いて一様分布からコプラへのマッピングを学習する。
この写像が学習されると、コプラから準ランダムサンプルを得るには、均一分布から準ランダムサンプルを入力する必要がある。
このアプローチは、任意のcopulaに対してより柔軟な方法を提供します。
さらに,コプラの準ランダムサンプルに基づく準モンテカルロ推定器の理論的解析を行う。
特にリスク管理の分野では,シミュレーションおよび実用的応用により,提案手法を検証し,既存の手法よりも優れていることを示す。
関連論文リスト
- Diffusive Gibbs Sampling [14.922372667945163]
Diffusive Gibbs Sampling (DiGS) は、遠隔モードと非接続モードを特徴とする分布から効果的にサンプリングする方法である。
提案手法は, 並列テンパリングなどの最先端手法よりも, マルチモーダル分布のサンプリングに優れた混合特性を示す。
我々は, ガウス, ベイズニューラルネットワーク, 分子動力学の混合など, 様々なタスクにおいて, サンプルが大幅に改善されることを実証した。
論文 参考訳(メタデータ) (2024-02-05T13:47:41Z) - Simple and effective data augmentation for compositional generalization [64.00420578048855]
MRをサンプリングし,それらを逆翻訳するデータ拡張法は,合成一般化に有効であることを示す。
注目すべきは、一様分布からのサンプリングは、テスト分布からのサンプリングとほぼ同等に実行されることである。
論文 参考訳(メタデータ) (2024-01-18T09:13:59Z) - Stable generative modeling using diffusion maps [0.24578723416255752]
拡散写像とランゲヴィン力学を組み合わせた生成モデルを提案する。
拡散マップは、利用可能なトレーニングサンプルからのドリフト項を近似するために使用される。
トレーニングサンプルの凸部内に生成したサンプルが残ることを保証し, 新たな分割ステップ方式を導入する。
論文 参考訳(メタデータ) (2024-01-09T06:15:45Z) - Structured Voronoi Sampling [69.26504269777544]
本稿では,勾配に基づく手法を用いた言語モデルから抽出する原理的アプローチの構築に向けて重要な一歩を踏み出す。
我々は勾配に基づく構造ヴォロノイサンプリング(Structured Voronoi Smpling, SVS)と呼ぶ。
制御された生成タスクでは、SVSは流動的で多様なサンプルを生成できるが、制御対象は他の方法よりもはるかに優れている。
論文 参考訳(メタデータ) (2023-06-05T17:32:35Z) - Example-Based Sampling with Diffusion Models [7.943023838493658]
画像生成のための拡散モデルは、例から点集合を生成する方法を学ぶのに適している。
拡散モデルを用いて既存のサンプルを模した2次元点集合を観測点集合から生成する方法を提案する。
我々は、我々のアプローチの微分可能性を用いて、特性を強制する点集合を最適化する方法を実証する。
論文 参考訳(メタデータ) (2023-02-10T08:35:17Z) - 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) - AdaPT-GMM: Powerful and robust covariate-assisted multiple testing [0.7614628596146599]
偽発見率(FDR)制御を用いた複数検定の実証的ベイズ法を提案する。
本手法は,アダプティブp値しきい値法(AdaPT)をマスク方式の一般化により洗練する。
我々は、AdaPT-GMMと呼ばれる新しい手法が一貫して高出力を実現することを、広範囲にわたるシミュレーションと実データ例で示す。
論文 参考訳(メタデータ) (2021-06-30T05:06:18Z) - Pathwise Conditioning of Gaussian Processes [72.61885354624604]
ガウス過程後部をシミュレーションするための従来のアプローチでは、有限個の入力位置のプロセス値の限界分布からサンプルを抽出する。
この分布中心の特徴づけは、所望のランダムベクトルのサイズで3次スケールする生成戦略をもたらす。
条件付けのこのパスワイズ解釈が、ガウス過程の後部を効率的にサンプリングするのに役立てる近似の一般族をいかに生み出すかを示す。
論文 参考訳(メタデータ) (2020-11-08T17:09:37Z) - GANs with Variational Entropy Regularizers: Applications in Mitigating
the Mode-Collapse Issue [95.23775347605923]
深層学習の成功に基づいて、GAN(Generative Adversarial Networks)は、観測されたサンプルから確率分布を学習するための現代的なアプローチを提供する。
GANはしばしば、ジェネレータが入力分布の既存のすべてのモードをキャプチャできないモード崩壊問題に悩まされる。
情報理論のアプローチを採り、生成したサンプルのエントロピーの変動的下限を最大化し、それらの多様性を増大させる。
論文 参考訳(メタデータ) (2020-09-24T19:34:37Z) - Efficiently Sampling Functions from Gaussian Process Posteriors [76.94808614373609]
高速後部サンプリングのための簡易かつ汎用的なアプローチを提案する。
分離されたサンプルパスがガウス過程の後部を通常のコストのごく一部で正確に表現する方法を実証する。
論文 参考訳(メタデータ) (2020-02-21T14:03:16Z)
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。