Fugu-MT 論文翻訳(概要): Empirical Bayes for Dynamic Bayesian Networks Using Generalized Variational Inference

論文の概要: Empirical Bayes for Dynamic Bayesian Networks Using Generalized Variational Inference

arxiv url: http://arxiv.org/abs/2406.17831v2
Date: Fri, 28 Jun 2024 19:40:19 GMT
ステータス: 処理完了
システム内更新日: 2024-07-02 12:41:53.286741
Title: Empirical Bayes for Dynamic Bayesian Networks Using Generalized Variational Inference
Title（参考訳）: 一般化変分推論を用いた動的ベイズネットワークの実証ベイズ
Authors: Vyacheslav Kungurtsev, Apaar, Aarya Khandelwal, Parth Sandeep Rastogi, Bapi Chatterjee, Jakub Mareček,
Abstract要約: 本研究では,動的ベイズネットワークを学習するための経験的ベイズアプローチを実演する。構造と重みのいくつかの点推定から始めることで、データ駆動モデルを使用して不確実性を定量化することができる。
参考スコア（独自算出の注目度）: 11.95962328281905
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this work, we demonstrate the Empirical Bayes approach to learning a Dynamic Bayesian Network. By starting with several point estimates of structure and weights, we can use a data-driven prior to subsequently obtain a model to quantify uncertainty. This approach uses a recent development of Generalized Variational Inference, and indicates the potential of sampling the uncertainty of a mixture of DAG structures as well as a parameter posterior.
Abstract（参考訳）: 本研究では,動的ベイズネットワークを学習するための経験的ベイズアプローチを実演する。構造と重みのいくつかの点推定から始めることで、データ駆動モデルを使用して不確実性を定量化することができる。このアプローチは最近の一般化変分推論の展開を利用しており、DAG構造の混合の不確かさとパラメータ後部をサンプリングする可能性を示している。

関連論文リスト

Multivariate Bayesian Last Layer for Regression: Uncertainty Quantification and Disentanglement [4.137574627759939]
異方性雑音下での多変量回帰の設定に新しいベイズラストレイヤーモデルを提案する。パラメータ学習のための最適化アルゴリズムを提案する。このフレームワークは、正統的な訓練を受けたディープニューラルネットワークを、不確実性を認識した新しいデータドメインに転送するために使用できることを示す。
論文参考訳（メタデータ） (2024-05-02T21:53:32Z)
Posterior Uncertainty Quantification in Neural Networks using Data Augmentation [3.9860047080844807]
深層アンサンブルは,既存の観測結果にのみ,将来のデータがサポートされることを前提として,基本的に不特定モデルクラスであることを示す。一般的なデータ拡張手法を用いて,より現実的な予測分布を構築する手法であるMixupMPを提案する。実験により,MixupMPは様々な画像分類データセットにおいて,優れた予測性能と不確かさの定量化を実現することが示された。
論文参考訳（メタデータ） (2024-03-18T17:46:07Z)
Towards Generalizable and Interpretable Motion Prediction: A Deep Variational Bayes Approach [54.429396802848224]
本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
論文参考訳（メタデータ） (2024-03-10T04:16:04Z)
Prior Density Learning in Variational Bayesian Phylogenetic Parameters Inference [1.03590082373586]
本稿では,勾配に基づく手法とニューラルネットワークに基づくパラメータ化を用いて,それらのパラメータを学習することで,先行密度の剛性を緩和する手法を提案する。実験の結果, 分岐長と進化モデルパラメータを推定する上で, 提案手法は強力であることが示唆された。
論文参考訳（メタデータ） (2023-02-06T01:29:15Z)
Do Bayesian Variational Autoencoders Know What They Don't Know? [0.6091702876917279]
OoD(Out-of-Distribution)入力を検出する問題は、ディープニューラルネットワークにとって最重要課題である。入力の密度を推定できる深部生成モデルでさえ、信頼できない可能性があることが以前に示されている。本稿では,マルコフ連鎖モンテカルロ,バックプロパゲーションによるベイズ勾配,およびウェイト平均ガウスの3つの推論手法について検討する。
論文参考訳（メタデータ） (2022-12-29T11:48:01Z)
Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
論文参考訳（メタデータ） (2022-02-28T15:53:10Z)
Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
論文参考訳（メタデータ） (2021-10-24T07:58:13Z)
A Variational Bayesian Approach to Learning Latent Variables for Acoustic Knowledge Transfer [55.20627066525205]
本稿では,ディープニューラルネットワーク(DNN)モデルにおける潜伏変数の分布を学習するための変分ベイズ(VB)アプローチを提案する。我々の提案するVBアプローチは,ターゲットデバイスにおいて良好な改善が得られ,しかも,13の最先端知識伝達アルゴリズムを一貫して上回っている。
論文参考訳（メタデータ） (2021-10-16T15:54:01Z)
Bayesian Imaging With Data-Driven Priors Encoded by Neural Networks: Theory, Methods, and Algorithms [2.266704469122763]
本稿では,事前知識がトレーニングデータとして利用可能である逆問題に対して,ベイズ推定を行う新しい手法を提案する。容易に検証可能な条件下で,関連する後方モーメントの存在と適切性を確立する。モデル精度解析により、データ駆動モデルによって報告されるベイズ確率は、頻繁な定義の下で著しく正確であることが示された。
論文参考訳（メタデータ） (2021-03-18T11:34:08Z)
Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文参考訳（メタデータ） (2021-02-12T12:23:13Z)
Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
論文参考訳（メタデータ） (2020-02-20T15:13:27Z)

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。