論文の概要: Winner-takes-all learners are geometry-aware conditional density estimators

• arxiv url: http://arxiv.org/abs/2406.04706v1
• Date: Fri, 7 Jun 2024 07:28:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-10 15:09:53.867680
• Title: Winner-takes-all learners are geometry-aware conditional density estimators
• Title（参考訳）: 勝者全学習者は幾何学的条件密度推定器である
• Authors: Victor Letzelter, David Perera, Cédric Rommel, Mathieu Fontaine, Slim Essid, Gael Richard, Patrick Pérez,
• Abstract要約: 条件密度推定において,各学習者の魅力ある幾何学的特性を活用する方法を示す。 我々は、量子化と密度推定の両面から、新しい推定器の利点を理論的に確立する。
• 参考スコア（独自算出の注目度）: 27.23421724971587
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Winner-takes-all training is a simple learning paradigm, which handles ambiguous tasks by predicting a set of plausible hypotheses. Recently, a connection was established between Winner-takes-all training and centroidal Voronoi tessellations, showing that, once trained, hypotheses should quantize optimally the shape of the conditional distribution to predict. However, the best use of these hypotheses for uncertainty quantification is still an open question.In this work, we show how to leverage the appealing geometric properties of the Winner-takes-all learners for conditional density estimation, without modifying its original training scheme. We theoretically establish the advantages of our novel estimator both in terms of quantization and density estimation, and we demonstrate its competitiveness on synthetic and real-world datasets, including audio data.
• Abstract（参考訳）: 受賞者全員のトレーニングは単純な学習パラダイムであり、妥当な仮説のセットを予測することによって曖昧なタスクを処理する。 近年,Winner-takes-allトレーニングとCentroidal Voronoiテッセルレーションの相互関係が確立され,一度訓練された場合,仮説は条件分布の形状を最適に定量化して予測できることが示されている。 しかし、不確実性定量化にこれらの仮説を最大限に活用することは、まだ未解決の問題であり、本研究では、学習者の魅力ある幾何学的特性を条件付き密度推定に活用する方法を、元のトレーニングスキームを変更することなく示す。 我々は,量子化と密度推定の両面から新たな推定器の利点を理論的に確立し,音声データを含む合成および実世界のデータセットに対する競合性を実証する。

関連論文リスト

• Marginal and training-conditional guarantees in one-shot federated conformal prediction [17.197488145781858]
  単発フェデレート学習環境における共形予測について検討した。 主なゴールは、エージェントとサーバの間の1ラウンドの通信でのみ、サーバーレベルで、辺りとトレーニングで有効な予測セットを計算することである。
  論文  参考訳（メタデータ） (2024-05-21T08:08:00Z)
• An Information Theoretic Perspective on Conformal Prediction [15.194199235970242]
  コンフォーマル予測(CP)は、ユーザが特定した確率で真の答えを含むことが保証される予測セットを構成する。 本研究では,情報理論を利用して共形予測と不確実性の概念を結びつける。
  論文  参考訳（メタデータ） (2024-05-03T14:43:07Z)
• PICProp: Physics-Informed Confidence Propagation for Uncertainty Quantification [30.66285259412019]
  本稿では, 決定論的偏微分方程式の信頼区間推定を新しい問題として導入し, 研究する。 つまり、データロケーションからドメイン全体への信頼性を、確率的な保証を持って、CI形式で広めるのです。 重大な仮定を行なわずに有効なCIを計算するための2レベル最適化に基づくPICPropと呼ばれる手法を提案する。
  論文  参考訳（メタデータ） (2023-10-10T18:24:50Z)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)
• Conformal prediction for the design problem [72.14982816083297]
  機械学習の現実的な展開では、次にテストすべきデータを選択するために予測アルゴリズムを使用します。 このような設定では、トレーニングデータとテストデータの間には、異なるタイプの分散シフトがある。 このような環境で予測の不確実性を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2022-02-08T02:59:12Z)
• Theory of versatile fidelity estimation with confidence [1.9573380763700712]
  本稿では,任意の特定の測定設定に対して,ほぼ最小限の信頼区間を持つ推定器を構成する手法を提案する。 理論的および数値的な結果を組み合わせることで,提案手法の様々な望ましい特性を実証する。 我々の手法は、同じ保証でオブザーバブルの期待値を推定するためにも利用できる。
  論文  参考訳（メタデータ） (2021-12-15T08:03:05Z)
• Plinko: A Theory-Free Behavioral Measure of Priors for Statistical Learning and Mental Model Updating [62.997667081978825]
  Plinko(リンク)は,参加者が利用可能なすべての結果に対してボール滴の分布を推定する行動課題である。 対象者は,確率分布の確率分布を中心にクラスタリングし,事前クラスタメンバシップは学習能力を示す可能性があることを示す。 我々は,個々の参加者が信頼できる表現であり,物理的に不可解な球滴分布に直面した場合,学習が阻害されないことを検証した。
  論文  参考訳（メタデータ） (2021-07-23T22:27:30Z)
• Credal Self-Supervised Learning [0.0]
  未ラベルのインスタンスに対して,学習者が"擬似スーパービジョン"を生成する方法を示す。 整合性正規化と組み合わせて、擬似ラベルは様々な領域で有望な性能を示している。 我々は、我々の方法論を最先端のセルフスーパービジョンアプローチと比較する。
  論文  参考訳（メタデータ） (2021-06-22T15:19:04Z)
• Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
  2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。 フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。 本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
  論文  参考訳（メタデータ） (2021-01-05T18:54:11Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• C-Learning: Learning to Achieve Goals via Recursive Classification [163.7610618571879]
  自律エージェントの将来の状態分布を予測・制御する問題について検討する。 我々の研究は、密度推定としてゴール条件付きRLの基礎を定めている。
  論文  参考訳（メタデータ） (2020-11-17T19:58:56Z)

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。