Fugu-MT 論文翻訳(概要): On uncertainty-penalized Bayesian information criterion

論文の概要: On uncertainty-penalized Bayesian information criterion

arxiv url: http://arxiv.org/abs/2404.16881v1
Date: Tue, 23 Apr 2024 13:59:11 GMT
ステータス: 処理完了
システム内更新日: 2024-04-29 15:13:44.221484
Title: On uncertainty-penalized Bayesian information criterion
Title（参考訳）: 不確実性補償ベイズ情報基準について
Authors: Pongpisit Thanasutives, Ken-ichi Fukui,
Abstract要約: 本研究では,不確実性補償情報基準(UBIC)を用いることは,従来のBICと等価であることを示す。その結果,UBIC と BIC の特性は無関心に保たれていることが示唆された。
参考スコア（独自算出の注目度）: 1.1049608786515839
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The uncertainty-penalized information criterion (UBIC) has been proposed as a new model-selection criterion for data-driven partial differential equation (PDE) discovery. In this paper, we show that using the UBIC is equivalent to employing the conventional BIC to a set of overparameterized models derived from the potential regression models of different complexity measures. The result indicates that the asymptotic property of the UBIC and BIC holds indifferently.
Abstract（参考訳）: データ駆動偏微分方程式(PDE)発見のための新しいモデル選択基準として,不確実性補償情報基準(UBIC)が提案されている。本稿では, UBIC を用いた場合, 複雑性尺度の潜在的な回帰モデルから得られた過パラメータ化モデルに対して, 従来の BIC を用いることと等価であることを示す。その結果,UBICおよびBICの漸近性は無関心に保たれていることが示唆された。

関連論文リスト

Adaptation of uncertainty-penalized Bayesian information criterion for parametric partial differential equation discovery [1.1049608786515839]
我々は、パラメトリックPDE発見問題を効率的に解くために、不確実性ペナル化ベイズ情報量規準(UBIC)の拡張を導入する。 UBICは、異なる時間的または空間的な点に対する定量化されたPDE不確実性を使用して、モデル選択における過度な適合を防止する。拡張されたUBICは、ノイズの存在下であっても、実数とそれらの変動係数を正確に識別できることを示す。
論文参考訳（メタデータ） (2024-08-15T12:10:50Z)
Generalized Criterion for Identifiability of Additive Noise Models Using Majorization [7.448620208767376]
本稿では,有向非巡回グラフ(DAG)モデルに対する新しい識別可能性基準を提案する。この基準が既存の識別可能性基準を拡張し、一般化することを実証する。本稿では,変数のトポロジ的順序付けを学習するための新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-04-08T02:18:57Z)
Bayesian Model Selection via Mean-Field Variational Approximation [10.433170683584994]
平均場(MF)推論の非漸近特性をベイズ的枠組みの下で検討する。 BvM(Bernstein von-Mises)定理は、MF からの変分分布をモデル的不特定性(英語版)の下で表す。
論文参考訳（メタデータ） (2023-12-17T04:48:25Z)
Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文参考訳（メタデータ） (2023-09-28T13:04:11Z)
Adaptive Uncertainty-Guided Model Selection for Data-Driven PDE Discovery [3.065513003860786]
擬似偏微分方程式(PDE)を優先するパラメータ適応型不確実性補償ベイズ情報量規準(UBIC)を提案する。 UBICによる真のPDEの特定に成功していることを数値的に確認する。 BICスコアとモデル複雑度の間のトレードオフを改善するために観測データをノイズ化する興味深い効果を明らかにした。
論文参考訳（メタデータ） (2023-08-20T14:36:45Z)
Gibbs-Based Information Criteria and the Over-Parameterized Regime [20.22034560278484]
二重発散は、補間しきい値を超えた学習アルゴリズムのテスト損失の予期せぬ減少を指す。我々はこれらの分析を,情報リスク最小化フレームワークを用いて更新し,Gibsアルゴリズムが学習したモデルに対して,Akaike Information Criterion(AIC)とBayesian Information Criterion(BIC)を提供する。
論文参考訳（メタデータ） (2023-06-08T22:54:48Z)
Non-Linear Spectral Dimensionality Reduction Under Uncertainty [107.01839211235583]
我々は、不確実性情報を活用し、いくつかの従来のアプローチを直接拡張する、NGEUと呼ばれる新しい次元削減フレームワークを提案する。提案したNGEUの定式化は,大域的な閉形式解を示し,Radecherの複雑性に基づいて,基礎となる不確実性がフレームワークの一般化能力に理論的にどのように影響するかを分析する。
論文参考訳（メタデータ） (2022-02-09T19:01:33Z)
Probabilistic Circuits for Variational Inference in Discrete Graphical Models [101.28528515775842]
変分法による離散的グラフィカルモデルの推論は困難である。エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。 Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
論文参考訳（メタデータ） (2020-10-22T05:04:38Z)
Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文参考訳（メタデータ） (2020-09-29T12:50:33Z)
Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
論文参考訳（メタデータ） (2020-07-21T08:18:06Z)
Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
論文参考訳（メタデータ） (2020-04-07T04:07:29Z)

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。