論文の概要: Robust and highly scalable estimation of directional couplings from time-shifted signals

• arxiv url: http://arxiv.org/abs/2406.02545v2
• Date: Mon, 27 Jan 2025 11:46:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 20:37:59.046999
• Title: Robust and highly scalable estimation of directional couplings from time-shifted signals
• Title（参考訳）: 時間シフト信号による方向結合のロバストかつ高スケーラブル推定
• Authors: Louis Rouillard, Luca Ambrogioni, Demian Wassermann,
• Abstract要約: 間接的測定から直接結合を推定することは、神経科学、システム生物学、経済学などの科学分野における中心的な方法論的課題である。 我々は,遅延に対する不確実性を疎外し,保守的な結合推定値を得るため,変分ベイズフレームワークを用いる。 本実験では,ネットワークが結合の信頼性と保守性を提供し,回帰DCMなどの類似の手法を著しく上回っていることを示す。
• 参考スコア（独自算出の注目度）: 10.275271872629142
• License:
• Abstract: The estimation of directed couplings between the nodes of a network from indirect measurements is a central methodological challenge in scientific fields such as neuroscience, systems biology and economics. Unfortunately, the problem is generally ill-posed due to the possible presence of unknown delays in the measurements. In this paper, we offer a solution of this problem by using a variational Bayes framework, where the uncertainty over the delays is marginalized in order to obtain conservative coupling estimates. To overcome the well-known overconfidence of classical variational methods, we use a hybrid-VI scheme where the (possibly flat or multimodal) posterior over the measurement parameters is estimated using a forward KL loss while the (nearly convex) conditional posterior over the couplings is estimated using the highly scalable gradient-based VI. In our ground-truth experiments, we show that the network provides reliable and conservative estimates of the couplings, greatly outperforming similar methods such as regression DCM.
• Abstract（参考訳）: 間接的な測定からネットワークのノード間の有向結合を推定することは、神経科学、システム生物学、経済学などの科学分野における中心的な方法論的課題である。 残念なことに、この問題は一般に、測定に未知の遅延が存在する可能性があるため、不適切である。 本稿では,遅延に対する不確実性を疎外し,保守的な結合推定値を得るために,変分ベイズフレームワークを用いてこの問題の解決法を提案する。 古典的変分法でよく知られた過信を克服するために、測定パラメータの上の(おそらく平坦あるいはマルチモーダルな)後方を前方KL損失を用いて推定するハイブリッドVIスキームを用いる。 本実験では, ネットワークが結合の信頼性および保守的な推定を行い, 回帰DCMなどの類似の手法を著しく上回っていることを示す。

関連論文リスト

• Non-Asymptotic Uncertainty Quantification in High-Dimensional Learning [5.318766629972959]
  不確かさの定量化は多くの高次元回帰や学習問題において決定的だが難しい課題である。 我々は、古典的回帰アプローチとニューラルネットワークの両方に適用可能な、回帰におけるUQのための新しいデータ駆動アプローチを開発した。
  論文  参考訳（メタデータ） (2024-07-18T16:42:10Z)
• Decoupling of neural network calibration measures [45.70855737027571]
  本稿では,AUSE(Area Under Sparsification Error curve)測定値に焦点をあてて,異なるニューラルネットワークキャリブレーション尺度の結合について検討する。 本稿では,現行の手法は自由度を保ち,安全クリティカルな機能のホモログ化のユニークなモデルを妨げると結論付けている。
  論文  参考訳（メタデータ） (2024-06-04T15:21:37Z)
• Uncertainty Quantification for Forward and Inverse Problems of PDEs via Latent Global Evolution [110.99891169486366]
  本稿では,効率的かつ高精度な不確実性定量化を深層学習に基づく代理モデルに統合する手法を提案する。 本手法は,フォワード問題と逆問題の両方に対して,堅牢かつ効率的な不確実性定量化機能を備えたディープラーニングに基づく代理モデルを提案する。 提案手法は, 長期予測を含むシナリオに適合し, 拡張された自己回帰ロールアウトに対する不確かさの伝播に優れる。
  論文  参考訳（メタデータ） (2024-02-13T11:22:59Z)
• Improvements on Uncertainty Quantification for Node Classification via Distance-Based Regularization [4.121906004284458]
  ディープニューラルネットワークはここ数十年で大きな成功を収めてきたが、十分に校正されておらず、しばしば信頼性の低い予測を生み出している。 本稿では,クラスタ化された OOD ノードが潜時空間に留まることを奨励する距離ベース正規化を提案する。 我々は,8つの標準データセットに対する広範な比較実験を行い,提案手法がOOD検出と誤分類検出の両方において,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-10T00:00:20Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• An Anomaly Detection Method for Satellites Using Monte Carlo Dropout [7.848121055546167]
  衛星テレメトリ時系列における不確実性を把握するために,モンテカルロ(MC)ドロップアウト法に基づくBNNのトラクタブル近似を提案する。 提案した時系列ADアプローチは,予測精度とADの両面から既存手法よりも優れている。
  論文  参考訳（メタデータ） (2022-11-27T21:12:26Z)
• Deep surrogate accelerated delayed-acceptance HMC for Bayesian inference of spatio-temporal heat fluxes in rotating disc systems [0.0]
  本稿では,PDEに基づく逆問題に対して,精度を保証して解法を高速化する手法を提案する。 これは、Biot数データとして知られる熱時間パラメータを推定する不適切な問題によって動機付けられている。
  論文  参考訳（メタデータ） (2022-04-05T15:09:33Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)
• Scaling Equilibrium Propagation to Deep ConvNets by Drastically Reducing its Gradient Estimator Bias [65.13042449121411]
  実際には、EPによって提供される勾配推定によるネットワークのトレーニングは、MNISTよりも難しい視覚タスクにスケールしない。 有限ヌード法に固有のEPの勾配推定のバイアスがこの現象の原因であることを示す。 これらの手法を適用し、非対称な前方および後方接続を持つアーキテクチャをトレーニングし、13.2%のテストエラーを発生させる。
  論文  参考訳（メタデータ） (2020-06-06T09:36:07Z)
• Detached Error Feedback for Distributed SGD with Random Sparsification [98.98236187442258]
  コミュニケーションのボトルネックは、大規模なディープラーニングにおいて重要な問題である。 非効率な分散問題に対する誤りフィードバックよりも優れた収束性を示す分散誤差フィードバック(DEF)アルゴリズムを提案する。 また、DEFよりも優れた境界を示すDEFの一般化を加速するDEFAを提案する。
  論文  参考訳（メタデータ） (2020-04-11T03:50:59Z)
• Being Bayesian, Even Just a Bit, Fixes Overconfidence in ReLU Networks [65.24701908364383]
  我々は、ReLUネットワーク上の不確実性に対する十分条件が「少しベイズ校正される」ことを示す。 さらに,これらの知見を,共通深部ReLUネットワークとLaplace近似を用いた各種標準実験により実証的に検証した。
  論文  参考訳（メタデータ） (2020-02-24T08:52:06Z)

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。