Fugu-MT 論文翻訳(概要): A Family of Distributions of Random Subsets for Controlling Positive and Negative Dependence

論文の概要: A Family of Distributions of Random Subsets for Controlling Positive and Negative Dependence

arxiv url: http://arxiv.org/abs/2408.01022v1
Date: Fri, 2 Aug 2024 05:46:17 GMT
ステータス: 処理完了
システム内更新日: 2024-08-05 14:26:49.222408
Title: A Family of Distributions of Random Subsets for Controlling Positive and Negative Dependence
Title（参考訳）: 正負依存制御のためのランダムサブセット分布の一家系
Authors: Takahiro Kawashima, Hideitsu Hino,
Abstract要約: 本稿では,行列点過程とボルツマンマシンの一部を含む離散カーネル点過程 (DKPP) を新たに導入する。 DKPPに対する正負依存の制御性と計算手法の有効性を示す。
参考スコア（独自算出の注目度）: 3.4299827274809593
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Positive and negative dependence are fundamental concepts that characterize the attractive and repulsive behavior of random subsets. Although some probabilistic models are known to exhibit positive or negative dependence, it is challenging to seamlessly bridge them with a practicable probabilistic model. In this study, we introduce a new family of distributions, named the discrete kernel point process (DKPP), which includes determinantal point processes and parts of Boltzmann machines. We also develop some computational methods for probabilistic operations and inference with DKPPs, such as calculating marginal and conditional probabilities and learning the parameters. Our numerical experiments demonstrate the controllability of positive and negative dependence and the effectiveness of the computational methods for DKPPs.
Abstract（参考訳）: 正と負の依存は、ランダム部分集合の魅力的で反発的な振る舞いを特徴づける基本的な概念である。いくつかの確率モデルは正あるいは負の依存を示すことが知られているが、実践可能な確率モデルでそれらをシームレスに橋渡しすることは困難である。本研究では,行列点過程とボルツマンマシンの一部を含む離散カーネル点過程 (DKPP) を新たに導入する。また, DKPPを用いた確率的演算と推定のための計算手法を開発し, 限界確率と条件確率を計算し, パラメータを学習する。数値実験により, 正負依存の制御性とDKPPの計算方法の有効性が示された。

関連論文リスト

Assumption-Lean Post-Integrated Inference with Negative Control Outcomes [0.0]
負の制御結果を用いて遅延不均一性を調整する頑健なポストインテグレート推論(PII)手法を提案する。提案手法は,予測された直接効果推定値,隠された仲介者,共同設立者,モデレーターまで拡張する。提案された二重頑健な推定器は、最小の仮定と潜在的な不特定性の下で一貫性があり、効率的である。
論文参考訳（メタデータ） (2024-10-07T12:52:38Z)
Proximal Interacting Particle Langevin Algorithms [0.0]
本稿では,潜時変動モデルにおける推論と学習のためのPIPLAアルゴリズムを提案する。非微分不可能な統計モデルにおけるパラメータ推定の問題に合わせた、新しい近位IPLAファミリー内のいくつかの変種を提案する。我々の理論と実験は、PIPLAファミリーが非微分可能モデルの潜在変数モデルにおけるパラメータ推定問題のデファクト選択であることを示している。
論文参考訳（メタデータ） (2024-06-20T13:16:41Z)
Logistic-beta processes for dependent random probabilities with beta marginals [58.91121576998588]
本稿では,ロジスティック・ベータプロセスと呼ばれる新しいプロセスを提案する。空間や時間などの離散領域と連続領域の両方への依存をモデル化でき、相関カーネルを通じて柔軟な依存構造を持つ。本研究は,非パラメトリック二分回帰と条件密度推定の例による効果をシミュレーション研究と妊娠結果応用の両方で説明する。
論文参考訳（メタデータ） (2024-02-10T21:41:32Z)
Joint empirical risk minimization for instance-dependent positive-unlabeled data [4.112909937203119]
正とラベルなしのデータ(PU学習)からの学習は、機械学習のタスクとして積極的に研究されている。目標は、ラベル付きインスタンスとラベルなしインスタンスの一部を含むデータセットに基づいて、バイナリ分類モデルをトレーニングすることだ。ラベルなし集合は、残りの部分の正と全ての負の観察を含む。
論文参考訳（メタデータ） (2023-12-27T12:45:12Z)
Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文参考訳（メタデータ） (2023-02-10T08:05:19Z)
PSD Representations for Effective Probability Models [117.35298398434628]
最近提案された非負関数に対する正半定値(PSD)モデルがこの目的に特に適していることを示す。我々はPSDモデルの近似と一般化能力の両方を特徴付け、それらが強い理論的保証を享受していることを示す。本研究では,PSDモデルの密度推定,決定理論,推論への応用への道を開く。
論文参考訳（メタデータ） (2021-06-30T15:13:39Z)
Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。特に,この手法が標準正規化の魅力的な代替となることを示す。
論文参考訳（メタデータ） (2021-04-12T18:50:11Z)
Handling Epistemic and Aleatory Uncertainties in Probabilistic Circuits [18.740781076082044]
確率的推論の大規模クラスを扱うアプローチの背後にある独立性の仮定を克服する手法を提案する。ベイズ学習のアルゴリズムは、完全な観察にもかかわらず、スパースから提供します。そのような回路の各リーフは、不確実な確率を表すエレガントなフレームワークを提供するベータ分散ランダム変数でラベル付けされています。
論文参考訳（メタデータ） (2021-02-22T10:03:15Z)
Probabilistic Generating Circuits [50.98473654244851]
効率的な表現のための確率的生成回路(PGC)を提案する。 PGCは、非常に異なる既存モデルを統一する理論的なフレームワークであるだけでなく、現実的なデータをモデル化する大きな可能性も示している。我々はPCとDPPの単純な組み合わせによって簡単に仮定されない単純なPGCのクラスを示し、一連の密度推定ベンチマークで競合性能を得る。
論文参考訳（メタデータ） (2021-02-19T07:06:53Z)
Understanding Negative Sampling in Graph Representation Learning [87.35038268508414]
最適化目標と結果のばらつきを決定するためには, 正のサンプリングと同様に負のサンプリングが重要であることを示す。我々は,自己コントラスト近似による正の分布を近似し,メトロポリス・ハスティングスによる負のサンプリングを高速化するメトロポリス・ハスティングス(MCNS)を提案する。提案手法は,リンク予測,ノード分類,パーソナライズドレコメンデーションを含む,下流グラフ学習タスクをカバーする5つのデータセットに対して評価する。
論文参考訳（メタデータ） (2020-05-20T06:25:21Z)

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。