論文の概要: Simulation-based inference with scattering representations: scattering is all you need

• arxiv url: http://arxiv.org/abs/2410.11883v1
• Date: Fri, 11 Oct 2024 10:09:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-17 13:43:28.420684
• Title: Simulation-based inference with scattering representations: scattering is all you need
• Title（参考訳）: 散乱表現を用いたシミュレーションに基づく推論:散乱は必要なだけである
• Authors: Kiyam Lin, Benjamin Joachimi, Jason D. McEwen,
• Abstract要約: 本稿では,画像を用いたシミュレーションに基づく推論において,さらなる圧縮を伴わない散乱表現の初成功例を示す。 空間平均化とより表現力のある密度推定器を組み合わせることでこれを克服する。 予想通り、散乱のみが従来の2次要約統計よりも多くの情報を引き出すことを示す。
• 参考スコア（独自算出の注目度）: 4.9606106069474905
• License:
• Abstract: We demonstrate the first successful use of scattering representations without further compression for simulation-based inference (SBI) with images (i.e. field-level), illustrated with a cosmological case study. Scattering representations provide a highly effective representational space for subsequent learning tasks, although the higher dimensional compressed space introduces challenges. We overcome these through spatial averaging, coupled with more expressive density estimators. Compared to alternative methods, such an approach does not require additional simulations for either training or computing derivatives, is interpretable, and resilient to covariate shift. As expected, we show that a scattering only approach extracts more information than traditional second order summary statistics.
• Abstract（参考訳）: 本研究では,画像を用いたシミュレーションベース推論(SBI)のさらなる圧縮を伴わない散乱表現の初成功例を,宇宙論的なケーススタディで示す。 散乱表現は、高次元圧縮空間は課題をもたらすが、後続の学習タスクに対して非常に効果的な表現空間を提供する。 空間平均化とより表現力のある密度推定器を組み合わせることでこれを克服する。 代替手法と比較して、そのような手法は訓練や微分の計算に余分なシミュレーションを必要とせず、解釈可能であり、共変量シフトに耐性がある。 予想通り、散乱のみが従来の2次要約統計よりも多くの情報を引き出すことを示す。

関連論文リスト

• Parallel simulation for sampling under isoperimetry and score-based diffusion models [56.39904484784127]
  データサイズが大きくなるにつれて、イテレーションコストの削減が重要な目標になります。 科学計算における初期値問題の並列シミュレーションの成功に触発されて,タスクをサンプリングするための並列Picard法を提案する。 本研究は,動力学に基づくサンプリング・拡散モデルの科学的計算におけるシミュレーション手法の潜在的利点を強調した。
  論文  参考訳（メタデータ） (2024-12-10T11:50:46Z)
• VIPaint: Image Inpainting with Pre-Trained Diffusion Models via Variational Inference [5.852077003870417]
  我々のVIPaint法は,提案手法の妥当性と多様性の両方において,従来の手法よりも優れていることを示す。 我々のVIPaint法は,提案手法の妥当性と多様性の両方において,従来の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-28T05:35:36Z)
• Diffusion Models Learn Low-Dimensional Distributions via Subspace Clustering [15.326641037243006]
  拡散モデルは画像分布を効果的に学習し、新しいサンプルを生成する。 我々は、この現象に関する理論的な洞察を、重要な経験的観測を利用して提供する。 基礎となる分布を学習するのに必要となるサンプルの最小数は、本質的な次元と線形にスケールすることを示す。
  論文  参考訳（メタデータ） (2024-09-04T04:14:02Z)
• A Slices Perspective for Incremental Nonparametric Inference in High Dimensional State Spaces [25.16567521220103]
  本研究では,高次元状態空間における漸進的非パラメトリック確率推定法を提案する。 提案手法は高次元表面のスライスを利用して任意の形状の後方分布を効率的に近似する。
  論文  参考訳（メタデータ） (2024-05-26T06:52:56Z)
• Embedding Trajectory for Out-of-Distribution Detection in Mathematical Reasoning [50.84938730450622]
  数理推論におけるOOD検出にトラジェクトリボラティリティを用いたトラジェクトリベースのTVスコアを提案する。 本手法は, 数学的推論シナリオ下でのGLM上での従来のアルゴリズムよりも優れる。 提案手法は,複数選択質問などの出力空間における高密度特徴を持つアプリケーションに拡張することができる。
  論文  参考訳（メタデータ） (2024-05-22T22:22:25Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• A Geometric Perspective on Diffusion Models [57.27857591493788]
  本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。 我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
  論文  参考訳（メタデータ） (2023-05-31T15:33:16Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)
• Graph Embedding via High Dimensional Model Representation for Hyperspectral Images [9.228929858529678]
  リモートセンシング画像の多様体構造を学習することは、モデリングおよび理解プロセスにおける最重要事項である。 ハイパスペクトル画像解析(HSI)に対処するためのマナーラーニング手法は優れた性能を示した。 この問題に対処する一般的な仮定は、高次元の入力空間と(典型的には低い)潜在空間の間の変換が線型であるということである。 提案手法は,その線形学習法とともに多様体学習法と比較し,代表的ハイパースペクトル画像の分類精度の観点から有望な性能を実現する。
  論文  参考訳（メタデータ） (2021-11-29T16:42:15Z)

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。