論文の概要: Approximate Maximum Likelihood Inference for Acoustic Spatial Capture-Recapture with Unknown Identities, Using Monte Carlo Expectation Maximization
- arxiv url: http://arxiv.org/abs/2410.04390v1
- Date: Sun, 6 Oct 2024 08:06:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-02 08:00:46.512466
- Title: Approximate Maximum Likelihood Inference for Acoustic Spatial Capture-Recapture with Unknown Identities, Using Monte Carlo Expectation Maximization
- Title(参考訳): モンテカルロ予測最大化を用いた音響的空間キャプチャーの近似最大推定
- Authors: Yuheng Wang, Juan Ye, Weiye Li, David L. Borchers,
- Abstract要約: 本稿では,モンテカルロ予測最大化推定法を提案する。
本手法をカスカエル調査に適用し, 専門家が作成した通話履歴データを用いて得られた推定値の15%以内を推定する。
- 参考スコア(独自算出の注目度): 2.0519694663895627
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Acoustic spatial capture-recapture (ASCR) surveys with an array of synchronized acoustic detectors can be an effective way of estimating animal density or call density. However, constructing the capture histories required for ASCR analysis is challenging, as recognizing which detections at different detectors are of which calls is not a trivial task. Because calls from different distances take different times to arrive at detectors, the order in which calls are detected is not necessarily the same as the order in which they are made, and without knowing which detections are of the same call, we do not know how many different calls are detected. We propose a Monte Carlo expectation-maximization (MCEM) estimation method to resolve this unknown call identity problem. To implement the MCEM method in this context, we sample the latent variables from a complete-data likelihood model in the expectation step and use a semi-complete-data likelihood or conditional likelihood in the maximization step. We use a parametric bootstrap to obtain confidence intervals. When we apply our method to a survey of moss frogs, it gives an estimate within 15% of the estimate obtained using data with call capture histories constructed by experts, and unlike this latter estimate, our confidence interval incorporates the uncertainty about call identities. Simulations show it to have a low bias (6%) and coverage probabilities close to the nominal 95% value.
- Abstract(参考訳): 音響空間キャプチャー(ASCR)サーベイは、動物の密度を推定したり、呼び出し密度を推定するのに有効な方法である。
しかし、ASCR分析に必要なキャプチャ履歴を構築することは困難であり、異なる検出器でのどの検出が、どの呼び出しが自明なタスクであるかを認識することは難しい。
異なる距離からの呼び出しは検知器に到達するのに異なる時間を要するため、呼び出しが検出される順序は、その呼び出しが実行される順序と必ずしも同じではなく、どの検出が同じ呼び出しであるかがわからなければ、どのくらいの異なる呼び出しが検出されるかはわからない。
本稿では,モンテカルロ予測最大化(MCEM)推定法を提案する。
この文脈でMCEM法を実装するために、予測ステップで完全データ確率モデルから潜伏変数をサンプリングし、最大化ステップで半完全データ確率または条件付き確率を使用する。
パラメトリックブートストラップを用いて信頼区間を求める。
本手法をカスカエル調査に適用すると, 専門家が作成した呼取履歴データを用いて得られた推定値の15%以内を推定し, 後者と異なり, この信頼区間は呼出同一性に関する不確実性を含む。
シミュレーションでは、バイアス(6%)が低く、カバー確率が95%に近いことが示されている。
関連論文リスト
- Adaptive Semantic Prompt Caching with VectorQ [78.59891542553179]
ベクトル類似度メトリクスは、キャッシュ内の埋め込みプロンプトと最も近い隣人の類似度を定量化するために数値スコアを割り当てる。
この1つの大きさの閾値は、異なるプロンプトで不十分であることを示す。
埋め込みの複雑さと不確実性に適応する埋め込み固有のしきい値領域を学習するためのフレームワークであるVectorQを提案する。
論文 参考訳(メタデータ) (2025-02-06T04:16:20Z) - Mitigating LLM Hallucinations via Conformal Abstention [70.83870602967625]
我々は,大言語モデルが一般ドメインでの応答をいつ無視すべきかを決定するための,原則化された手順を開発する。
我々は、幻覚率(エラー率)の厳密な理論的保証の恩恵を受けるため、共形予測手法を活用して、禁忌手順を開発する。
実験によって得られた共形禁忌法は, 種々の閉書, オープンドメイン生成質問応答データセットに, 幻覚率を確実に拘束する。
論文 参考訳(メタデータ) (2024-04-04T11:32:03Z) - All Thresholds Barred: Direct Estimation of Call Density in Bioacoustic
Data [1.7916003204531015]
本研究では,データ単位の呼び出し密度を推定するための検証手法を提案する。
我々はこれらの分布を用いて、分布シフトの対象となるサイトレベルの密度を予測する。
論文 参考訳(メタデータ) (2024-02-23T14:52:44Z) - Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。
本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
論文 参考訳(メタデータ) (2023-06-08T07:05:36Z) - Composed Image Retrieval with Text Feedback via Multi-grained
Uncertainty Regularization [73.04187954213471]
粗い検索ときめ細かい検索を同時にモデル化する統合学習手法を提案する。
提案手法は、強いベースラインに対して+4.03%、+3.38%、+2.40%のRecall@50精度を達成した。
論文 参考訳(メタデータ) (2022-11-14T14:25:40Z) - Concrete Score Matching: Generalized Score Matching for Discrete Data [109.12439278055213]
コンクレトスコア(Concrete score)とは、個別の設定のためのスコア(ステイン)の一般化である。
コンクレトスコアマッチング(Concrete Score Matching)は、サンプルからこのようなスコアを学習するフレームワークである。
論文 参考訳(メタデータ) (2022-11-02T00:41:37Z) - Partial Identification with Noisy Covariates: A Robust Optimization
Approach [94.10051154390237]
観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。
このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。
合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
論文 参考訳(メタデータ) (2022-02-22T04:24:26Z) - An algorithm-based multiple detection influence measure for high
dimensional regression using expectile [0.4999814847776096]
本稿では,アルゴリズムに基づく多段階多重検出手法を提案する。
データ中の望ましくない変数を識別し、キャプチャする3ステップのアルゴリズムである$asymMIP,$は2つの相補的な統計に基づく。
自閉症脳画像データ交換データセットへの本手法の適用により,脳の成熟度をよりバランスよく正確に予測することができた。
論文 参考訳(メタデータ) (2021-05-26T01:16:24Z) - Quantifying Ignorance in Individual-Level Causal-Effect Estimates under
Hidden Confounding [38.09565581056218]
共同設立者による高次元観測データから条件付き平均治療効果(CATE)の学習問題について検討した。
高次元データに適した新しいパラメトリック間隔推定器を提案する。
論文 参考訳(メタデータ) (2021-03-08T15:58:06Z) - Model-based multi-parameter mapping [0.0]
定量的MRイメージングは、よりリッチな情報の内容と標準化された測定基準のためにますます好まれている。
推定はしばしば、異なる量のデータを分離して解くために、データのノイズサブセットを仮定する。
代わりに、生成モデルは定式化され、パラメータ推定を共同で回復するために反転することができる。
論文 参考訳(メタデータ) (2021-02-02T17:00:11Z)
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。