Fugu-MT 論文翻訳(概要): Scalable Monte Carlo for Bayesian Learning

論文の概要: Scalable Monte Carlo for Bayesian Learning

arxiv url: http://arxiv.org/abs/2407.12751v1
Date: Wed, 17 Jul 2024 17:19:56 GMT
ステータス: 処理完了
システム内更新日: 2024-07-18 16:16:05.177728
Title: Scalable Monte Carlo for Bayesian Learning
Title（参考訳）: ベイズ学習のためのスケーラブルなモンテカルロ
Authors: Paul Fearnhead, Christopher Nemeth, Chris J. Oates, Chris Sherlock,
Abstract要約: この本は、マルコフ連鎖モンテカルロ(MCMC)アルゴリズムにおける高度なトピックに関する大学院レベルの紹介を提供することを目的としている。これらのトピックのほとんどは、最近10年ほど前に現れており、この分野ではかなりの実践的、理論的進歩を導いてきた。特に注目されているのは、データ量、あるいはデータ次元に関してスケーラブルな方法である。
参考スコア（独自算出の注目度）: 9.510897794182082
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This book aims to provide a graduate-level introduction to advanced topics in Markov chain Monte Carlo (MCMC) algorithms, as applied broadly in the Bayesian computational context. Most, if not all of these topics (stochastic gradient MCMC, non-reversible MCMC, continuous time MCMC, and new techniques for convergence assessment) have emerged as recently as the last decade, and have driven substantial recent practical and theoretical advances in the field. A particular focus is on methods that are scalable with respect to either the amount of data, or the data dimension, motivated by the emerging high-priority application areas in machine learning and AI.
Abstract（参考訳）: 本書は,マルコフ連鎖モンテカルロ (MCMC) アルゴリズムにおける高度なトピックを,ベイズ計算の文脈で広く適用することを目的としている。これらのトピックのすべて(確率勾配MCMC、非可逆MCMC、連続時間MCMC、収束評価のための新しい技術)は、最近10年ほど前に出現し、この分野においてかなり最近の実践的、理論的進歩を導いてきた。特に注目されているのは、データ量、あるいはデータ次元に関してスケーラブルな方法である。

関連論文リスト

Coding for Intelligence from the Perspective of Category [66.14012258680992]
符号化の対象はデータの圧縮と再構成、インテリジェンスである。最近の傾向は、これらの2つの分野の潜在的均一性を示している。本稿では,カテゴリ理論の観点から,インテリジェンスのためのコーディングの新たな問題を提案する。
論文参考訳（メタデータ） (2024-07-01T07:05:44Z)
MCMC-driven learning [64.94438070592365]
この論文はモンテカルロのハンドブックの章として登場することを意図している。本研究の目的はマルコフ連鎖学習の共通点における様々な問題を統一することである。
論文参考訳（メタデータ） (2024-02-14T22:10:42Z)
Bayesian neural networks via MCMC: a Python-based tutorial [0.196629787330046]
変分推論とマルコフ連鎖モンテカルロサンプリング法を用いてベイズ推定を行う。このチュートリアルはPythonのコードに、その使用と拡張を可能にするデータとインストラクションを提供する。
論文参考訳（メタデータ） (2023-04-02T02:19:15Z)
On Leave-One-Out Conditional Mutual Information For Generalization [122.2734338600665]
残余条件付き相互情報(loo-CMI)の新しい尺度に基づく教師付き学習アルゴリズムのための情報理論の一般化境界を導出する。他のCMI境界とは対照的に、我々のloo-CMI境界は容易に計算でき、古典的なout-out-out-cross-validationのような他の概念と関連して解釈できる。ディープラーニングのシナリオにおいて予測された一般化ギャップを評価することにより,境界の質を実証的に検証する。
論文参考訳（メタデータ） (2022-07-01T17:58:29Z)
Knowledge Removal in Sampling-based Bayesian Inference [86.14397783398711]
単一のデータ削除要求が来ると、企業は大量のリソースで学んだモデル全体を削除する必要があるかもしれない。既存の研究は、明示的にパラメータ化されたモデルのためにデータから学んだ知識を取り除く方法を提案する。本稿では,MCMCのための機械学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-03-24T10:03:01Z)
DG-LMC: A Turn-key and Scalable Synchronous Distributed MCMC Algorithm [21.128416842467132]
ユーザフレンドリな分散MCMCアルゴリズムを用いて,高次元設定でのスケーリングを実現する。本稿では,合成実験および実データ実験における提案手法の有効性について述べる。
論文参考訳（メタデータ） (2021-06-11T10:37:14Z)
Bayesian graph convolutional neural networks via tempered MCMC [0.41998444721319217]
畳み込みニューラルネットワークのようなディープラーニングモデルは、画像やマルチメディアタスクに長い間適用されてきた。最近では、グラフで表現できる非構造化データにもっと注意が払われている。これらのタイプのデータは、健康と医学、ソーシャルネットワーク、および研究データリポジトリでよく見られます。
論文参考訳（メタデータ） (2021-04-17T04:03:25Z)
Scaling Hamiltonian Monte Carlo Inference for Bayesian Neural Networks with Symmetric Splitting [6.684193501969829]
ハミルトニアン・モンテカルロ(英: Hamiltonian Monte Carlo、HMC)は、マルコフ連鎖モンテカルロのアプローチであり、ニューラルネットワークのような高次元モデルにおいて好ましい探索特性を示す。対称勾配に依存しない分割HMCに対する新たな積分方式を導入する。提案手法は,大規模機械学習問題に対する推論スキームを考慮した場合,HMCを実現可能な選択肢として示す。
論文参考訳（メタデータ） (2020-10-14T01:58:34Z)
Non-convex Learning via Replica Exchange Stochastic Gradient MCMC [25.47669573608621]
本稿では,適応的複製交換SGMCMC(reSGMCMC)を提案し,バイアスを自動的に補正し,対応する特性について検討する。実験では,様々な設定の広範囲な実験を通じてアルゴリズムを検証し,その結果を得た。
論文参考訳（メタデータ） (2020-08-12T15:02:59Z)
A Survey on Concept Factorization: From Shallow to Deep Representation Learning [104.78577405792592]
概念因子化(CF)は、機械学習とデータマイニングの分野で大きな関心を集めています。まず、ルートCF法を再検討し、CFに基づく表現学習の進歩について検討する。また、CFベースの手法の潜在的な適用領域についても紹介する。
論文参考訳（メタデータ） (2020-07-31T04:19:14Z)
Involutive MCMC: a Unifying Framework [64.46316409766764]
iMCMCでは,幅広いMCMCアルゴリズムについて述べる。我々は、新しいMCMCアルゴリズムを開発するための設計原則として使用できる多くのトリックを定式化する。後者は、既知の可逆MCMCアルゴリズムをより効率的な可逆アルゴリズムに変換する2つの例で示す。
論文参考訳（メタデータ） (2020-06-30T10:21:42Z)

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。