論文の概要: A quasi-Bayesian sequential approach to deconvolution density estimation
- arxiv url: http://arxiv.org/abs/2408.14402v1
- Date: Mon, 26 Aug 2024 16:40:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-27 13:21:54.079414
- Title: A quasi-Bayesian sequential approach to deconvolution density estimation
- Title（参考訳）: 非畳み込み密度推定のための準ベイズ的シーケンシャルアプローチ
- Authors: Stefano Favaro, Sandra Fortini,
- Abstract要約: 密度デコンボリューションは、データからランダム信号の未知の密度関数$f$を推定する。
我々は、ノイズの多いデータが徐々に到着するストリーミングやオンライン環境での密度デコンボリューションの問題を考察する。
準ベイズ的シーケンシャルアプローチを頼りにすると、容易に評価できる$f$の推定値が得られる。
- 参考スコア（独自算出の注目度）: 7.10052009802944
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Density deconvolution addresses the estimation of the unknown (probability) density function $f$ of a random signal from data that are observed with an independent additive random noise. This is a classical problem in statistics, for which frequentist and Bayesian nonparametric approaches are available to deal with static or batch data. In this paper, we consider the problem of density deconvolution in a streaming or online setting where noisy data arrive progressively, with no predetermined sample size, and we develop a sequential nonparametric approach to estimate $f$. By relying on a quasi-Bayesian sequential approach, often referred to as Newton's algorithm, we obtain estimates of $f$ that are of easy evaluation, computationally efficient, and with a computational cost that remains constant as the amount of data increases, which is critical in the streaming setting. Large sample asymptotic properties of the proposed estimates are studied, yielding provable guarantees with respect to the estimation of $f$ at a point (local) and on an interval (uniform). In particular, we establish local and uniform central limit theorems, providing corresponding asymptotic credible intervals and bands. We validate empirically our methods on synthetic and real data, by considering the common setting of Laplace and Gaussian noise distributions, and make a comparison with respect to the kernel-based approach and a Bayesian nonparametric approach with a Dirichlet process mixture prior.
- Abstract（参考訳）: 密度デコンボリューションは、独立な加法的ランダムノイズで観測されるデータから、未知(確率)密度関数$f$のランダム信号の推定に対処する。
これは統計学における古典的な問題であり、静的データやバッチデータを扱うために、頻繁なおよびベイズ的非パラメトリックなアプローチが利用可能である。
本稿では, 所定のサンプルサイズを伴わずに, ノイズデータが徐々に到着するストリーミングやオンライン環境での密度デコンボリューションの問題について考察し, 逐次的非パラメトリック手法を用いて$f$を推定する手法を提案する。
準ベイジアンシーケンシャルアプローチ(ニュートンのアルゴリズムと呼ばれる)を頼りにすることで、計算効率が良く、データ量が増加するにつれて計算コストが一定であり、ストリーミング環境では重要となる$f$の推定値を得る。
提案した推定値の大規模なサンプル漸近特性について検討し、ある点(局所)および間隔(一様)における$f$の推定に関する証明可能な保証を得る。
特に、局所的および均一な中心極限定理を確立し、対応する漸近的可約区間と帯域を提供する。
本研究では,Laplace と Gaussian の雑音分布の共通設定を考慮し,実データに対する我々の手法を実証的に検証し,前述したDirichlet プロセスの混合によるカーネルベースアプローチとベイズ非パラメトリックアプローチとの比較を行う。
関連論文リスト
- On diffusion-based generative models and their error bounds: The log-concave case with full convergence estimates [5.13323375365494]
我々は,強い対数対数データの下での拡散に基づく生成モデルの収束挙動を理論的に保証する。
スコア推定に使用される関数のクラスは、スコア関数上のリプシッツネスの仮定を避けるために、リプシッツ連続関数からなる。
この手法はサンプリングアルゴリズムにおいて最もよく知られた収束率をもたらす。
論文 参考訳（メタデータ） (2023-11-22T18:40:45Z) - Sobolev Space Regularised Pre Density Models [51.558848491038916]
本研究では,ソボレフ法則の正則化に基づく非パラメトリック密度推定法を提案する。
この方法は統計的に一貫したものであり、帰納的検証モデルを明確かつ一貫したものにしている。
論文 参考訳（メタデータ） (2023-07-25T18:47:53Z) - Optimizing the Noise in Self-Supervised Learning: from Importance
Sampling to Noise-Contrastive Estimation [80.07065346699005]
GAN(Generative Adversarial Networks)のように、最適な雑音分布はデータ分布に等しくなると広く想定されている。
我々は、この自己教師型タスクをエネルギーベースモデルの推定問題として基礎づけるノイズ・コントラスト推定に目を向ける。
本研究は, 最適雑音のサンプリングは困難であり, 効率性の向上は, データに匹敵する雑音分布を選択することに比べ, 緩やかに行うことができると結論付けた。
論文 参考訳（メタデータ） (2023-01-23T19:57:58Z) - Statistical Efficiency of Score Matching: The View from Isoperimetry [96.65637602827942]
本研究では, スコアマッチングの統計的効率と推定される分布の等尺性との間に, 密接な関係を示す。
これらの結果はサンプル状態と有限状態の両方で定式化する。
論文 参考訳（メタデータ） (2022-10-03T06:09:01Z) - Robust Inference of Manifold Density and Geometry by Doubly Stochastic
Scaling [8.271859911016719]
我々は高次元雑音下で頑健な推論のためのツールを開発する。
提案手法は, セルタイプにまたがる技術的ノイズレベルの変動に頑健であることを示す。
論文 参考訳（メタデータ） (2022-09-16T15:39:11Z) - The Optimal Noise in Noise-Contrastive Learning Is Not What You Think [80.07065346699005]
この仮定から逸脱すると、実際により良い統計的推定結果が得られることが示される。
特に、最適な雑音分布は、データと異なり、また、別の家族からさえも異なる。
論文 参考訳（メタデータ） (2022-03-02T13:59:20Z) - A Non-Classical Parameterization for Density Estimation Using Sample
Moments [0.0]
サンプルモーメントを用いた密度推定のための非古典的パラメトリゼーションを提案する。
提案した推定器は、任意の偶数列までのパワーモーメントがサンプルモーメントと正確に一致する文献で最初のものである。
論文 参考訳（メタデータ） (2022-01-13T04:28:52Z) - Density Ratio Estimation via Infinitesimal Classification [85.08255198145304]
そこで我々は, DRE-inftyを提案する。 DRE-inftyは, 密度比推定(DRE)を, より簡単なサブプロブレムに還元する手法である。
モンテカルロ法にインスパイアされ、中間ブリッジ分布の無限連続体を介して2つの分布の間を滑らかに補間する。
提案手法は,複雑な高次元データセット上での相互情報推定やエネルギーベースモデリングなどの下流タスクにおいて良好に動作することを示す。
論文 参考訳（メタデータ） (2021-11-22T06:26:29Z) - Heavy-tailed Streaming Statistical Estimation [58.70341336199497]
ストリーミング$p$のサンプルから重み付き統計推定の課題を考察する。
そこで我々は,傾きの雑音に対して,よりニュアンスな条件下での傾きの傾きの低下を設計し,より詳細な解析を行う。
論文 参考訳（メタデータ） (2021-08-25T21:30:27Z) - Denoising Score Matching with Random Fourier Features [11.60130641443281]
Kernel Exponential Family を用いたDenoising Score matching の解析式をモデル分布として導出する。
得られた式はノイズのばらつきに明示的に依存するため、バリデーション損失はノイズレベルを調整するために簡単に使用できる。
論文 参考訳（メタデータ） (2021-01-13T18:02:39Z) - Nearest Neighbor Dirichlet Mixtures [3.3194866396158]
計算上の欠点を伴わずにベイズ的アプローチの強みのほとんどを維持するために、近傍のディリクレ混合のクラスを提案する。
単純で恥ずかしい並列なモンテカルロアルゴリズムが提案され、結果の擬似ポストから未知の密度をサンプリングする。
論文 参考訳（メタデータ） (2020-03-17T21:39:11Z)
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。