論文の概要: Expert-elicitation method for non-parametric joint priors using normalizing flows

• arxiv url: http://arxiv.org/abs/2411.15826v1
• Date: Sun, 24 Nov 2024 13:03:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:19:49.209792
• Title: Expert-elicitation method for non-parametric joint priors using normalizing flows
• Title（参考訳）: 正規化流を用いた非パラメトリック継手前駆体のエキスパート緩和法
• Authors: Florence Bockting, Stefan T. Radev, Paul-Christian Bürkner,
• Abstract要約: 正規化フローを用いた非パラメトリックジョイント事前分布の学習のためのエキスパート・エミュレーション手法を提案する。 我々のフレームワークは、パラメトリックと非パラメトリックの両方を学習するためのエレケーション手法の開発を支援する。
• 参考スコア（独自算出の注目度）: 2.9172603864294024
• License:
• Abstract: We propose an expert-elicitation method for learning non-parametric joint prior distributions using normalizing flows. Normalizing flows are a class of generative models that enable exact, single-step density evaluation and can capture complex density functions through specialized deep neural networks. Building on our previously introduced simulation-based framework, we adapt and extend the methodology to accommodate non-parametric joint priors. Our framework thus supports the development of elicitation methods for learning both parametric and non-parametric priors, as well as independent or joint priors for model parameters. To evaluate the performance of the proposed method, we perform four simulation studies and present an evaluation pipeline that incorporates diagnostics and additional evaluation tools to support decision-making at each stage of the elicitation process.
• Abstract（参考訳）: 正規化フローを用いた非パラメトリックジョイント事前分布の学習のためのエキスパート・エミュレーション手法を提案する。 正規化フローは、正確に1ステップの密度評価を可能にし、特殊なディープニューラルネットワークを通じて複雑な密度関数をキャプチャできる生成モデルのクラスである。 これまでに導入したシミュレーションベースのフレームワークをベースとして,非パラメトリックなジョイント事前に対応するための方法論を適応・拡張する。 そこで本フレームワークは,パラメトリックと非パラメトリックの両方を学習するためのエレケーション手法の開発を支援するとともに,モデルパラメータの独立性や結合性も備えている。 提案手法の性能を評価するため,提案手法は4つのシミュレーション実験を行い,診断と追加評価ツールを組み込んだ評価パイプラインを提案し,各段階での意思決定を支援する。

関連論文リスト

• Horseshoe-type Priors for Independent Component Estimation [0.4987670632802289]
  独立成分推定(ICE)は現代の機械学習に多くの応用がある。 ホースシュー型プリエントはスケーラブルなアルゴリズムを提供するために使用される。 条件付き後部手法とエンベロープ方式の最適化方法について述べる。
  論文  参考訳（メタデータ） (2024-06-24T18:18:58Z)
• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• Simulation-Based Prior Knowledge Elicitation for Parametric Bayesian Models [2.9172603864294024]
  我々は、ドメインエキスパートの知識をモデルパラメータ上の対応する事前分布に変換することに注力する。 既存の適用方法における大きな課題は、モデル構造に関係なく、専門家の期待に沿う事前分布を定式化するために、これらの異なるフォーマットを効果的に活用する方法である。 本研究は,本手法が基礎となるモデル構造に大きく依存し,量子化法,モーメント法,ヒストグラム法など,様々な手法に適応可能であるという主張を裏付けるものである。
  論文  参考訳（メタデータ） (2023-08-22T10:43:05Z)
• Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
  本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。 また、局所的な一貫性の結果に基づいた理論的保証も提供する。 この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
  論文  参考訳（メタデータ） (2022-11-17T15:48:06Z)
• MARS: Meta-Learning as Score Matching in the Function Space [79.73213540203389]
  本稿では,一連の関連するデータセットから帰納バイアスを抽出する手法を提案する。 機能的ベイズニューラルネットワーク推論を用いて、前者をプロセスとみなし、関数空間で推論を行う。 本手法は,データ生成プロセスのスコア関数をメタラーニングすることにより,複雑な事前知識をシームレスに獲得し,表現することができる。
  論文  参考訳（メタデータ） (2022-10-24T15:14:26Z)
• Learning new physics efficiently with nonparametric methods [11.970219534238444]
  モデルに依存しない新しい物理探索のための機械学習手法を提案する。 対応するアルゴリズムは、最近のカーネルメソッドの大規模実装によって実現されている。 トレーニング時間や計算資源の観点から、ニューラルネットワークの実装と比較して、我々のアプローチは劇的なアドバンテージがあることが示される。
  論文  参考訳（メタデータ） (2022-04-05T16:17:59Z)
• Predictive machine learning for prescriptive applications: a coupled training-validating approach [77.34726150561087]
  規範的応用のための予測機械学習モデルをトレーニングするための新しい手法を提案する。 このアプローチは、標準的なトレーニング検証テストスキームの検証ステップを微調整することに基づいている。 合成データを用いたいくつかの実験は、決定論的モデルと実モデルの両方において処方料コストを削減できる有望な結果を示した。
  論文  参考訳（メタデータ） (2021-10-22T15:03:20Z)
• MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
  シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。 あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。 モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-03T12:59:16Z)
• Deep Keypoint-Based Camera Pose Estimation with Geometric Constraints [80.60538408386016]
  連続するフレームから相対的なカメラのポーズを推定することは、視覚計測の基本的な問題である。 本稿では,検出,特徴抽出,マッチング,外乱除去のための学習可能なモジュールで構成されるエンドツーエンドのトレーニング可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-29T21:41:31Z)
• Robust Q-learning [0.0]
  データ適応手法を用いてニュアンスパラメータを推定できる頑健なQ-ラーニング手法を提案する。 本研究は,提案手法の必要性と有用性を明らかにするためのシミュレーション研究である。
  論文  参考訳（メタデータ） (2020-03-27T14:10:38Z)

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。