Fugu-MT 論文翻訳(概要): Bounds in Wasserstein distance for locally stationary processes

論文の概要: Bounds in Wasserstein distance for locally stationary processes

arxiv url: http://arxiv.org/abs/2412.03414v1
Date: Wed, 04 Dec 2024 15:51:22 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-05 15:07:17.764891
Title: Bounds in Wasserstein distance for locally stationary processes
Title（参考訳）: 局所定常過程に対するワッサーシュタイン距離の境界
Authors: Jan Nino G. Tinio, Mokhtar Z. Alaya, Salim Bouzebda,
Abstract要約: ナダラヤ-ワトソン型推定器を用いた局所定常過程(LSP)の条件確率分布の推定に対処する。結果は、合成データセットと実世界のデータセットの両方で数値実験によって支持される。
参考スコア（独自算出の注目度）: 2.180952057802427
License:
Abstract: Locally stationary processes (LSPs) provide a robust framework for modeling time-varying phenomena, allowing for smooth variations in statistical properties such as mean and variance over time. In this paper, we address the estimation of the conditional probability distribution of LSPs using Nadaraya-Watson (NW) type estimators. The NW estimator approximates the conditional distribution of a target variable given covariates through kernel smoothing techniques. We establish the convergence rate of the NW conditional probability estimator for LSPs in the univariate setting under the Wasserstein distance and extend this analysis to the multivariate case using the sliced Wasserstein distance. Theoretical results are supported by numerical experiments on both synthetic and real-world datasets, demonstrating the practical usefulness of the proposed estimators.
Abstract（参考訳）: 局所定常過程(LSP)は、時間的変動現象をモデル化するための堅牢な枠組みを提供し、平均や時間的分散といった統計特性のスムーズな変動を可能にする。本稿では,Nadaraya-Watson (NW) 型推定器を用いてLSPの条件確率分布を推定する。 NW推定器は、カーネル平滑化手法により与えられた共変量の条件分布を近似する。 We establish the convergence rate of the NW conditional probability estimationator for LSPs in the univariate set under the Wasserstein distance and extended this analysis to the multivariate case using the sliced Wasserstein distance。理論的結果は、合成と実世界の両方のデータセットに関する数値実験によって支持され、提案した推定器の実用性を示す。

関連論文リスト

Constrained Sampling with Primal-Dual Langevin Monte Carlo [15.634831573546041]
この研究は、正規化定数まで既知の確率分布からサンプリングする問題を考察する。一般非線形関数の期待値によって定義された統計的制約の集合を満たす。我々は,目標分布とサンプルを同時に制約する離散時間原始二元Langevin Monte Carloアルゴリズム(PD-LMC)を提唱した。
論文参考訳（メタデータ） (2024-11-01T13:26:13Z)
Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。 PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
論文参考訳（メタデータ） (2024-07-10T17:39:50Z)
Sliced Wasserstein with Random-Path Projecting Directions [49.802024788196434]
本稿では,モンテカルロ予想推定のための高速サンプリングを行う最適化自由スライシング分布を提案する。我々はランダムパススライシング分布(RPSD)とスライスされたワッサースタインの2つの変種、すなわちランダムパススライシングワッサースタイン(RPSW)とIWRPSW(Importance Weighted Random-Path Projection Sliced Wasserstein)を導出する。
論文参考訳（メタデータ） (2024-01-29T04:59:30Z)
Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文参考訳（メタデータ） (2022-02-23T06:11:49Z)
Fast Approximation of the Sliced-Wasserstein Distance Using Concentration of Random Projections [19.987683989865708]
Sliced-Wasserstein distance (SW) は、機械学習アプリケーションでますます使われている。本稿では,測度現象の集中を利用してSWを近似する新しい視点を提案する。提案手法は多数のランダムなプロジェクションをサンプリングする必要はなく,通常のモンテカルロ近似と比較して正確かつ容易に利用できる。
論文参考訳（メタデータ） (2021-06-29T13:56:19Z)
Comparing Probability Distributions with Conditional Transport [63.11403041984197]
新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
論文参考訳（メタデータ） (2020-12-28T05:14:22Z)
Statistical analysis of Wasserstein GANs with applications to time series forecasting [0.0]
We provide statistics theory for conditional and unconditional Wasserstein generative adversarial network (WGANs)。修正ワッサーシュタイン型距離に対するWGAN推定器の過剰ベイズリスクの上限を証明した。我々は、推定器の弱収束に関する文を形式化し、導出し、新しい観測のために信頼区間を発達させる。
論文参考訳（メタデータ） (2020-11-05T19:45:59Z)
Conditional Density Estimation via Weighted Logistic Regressions [0.30458514384586394]
非均一プロセスモデルの一般密度と可能性関数の関連性を示すパラメトリック条件密度推定法を提案する。最大推定値は重み付けされたロジスティック回帰によって得ることができ、ブロックワイズ交互化スキームと局所ケースコントロールサンプリングを組み合わせることで計算を著しく緩和することができる。
論文参考訳（メタデータ） (2020-10-21T11:08:25Z)
On Projection Robust Optimal Transport: Sample Complexity and Model Misspecification [101.0377583883137]
射影ロバスト(PR)OTは、2つの測度の間のOTコストを最大化するために、射影可能な$k$次元部分空間を選択する。私たちの最初の貢献は、PRワッサーシュタイン距離のいくつかの基本的な統計的性質を確立することである。次に、部分空間を最適化するのではなく平均化することにより、PRW距離の代替として積分PRワッサーシュタイン距離(IPRW)を提案する。
論文参考訳（メタデータ） (2020-06-22T14:35:33Z)
Faster Wasserstein Distance Estimation with the Sinkhorn Divergence [0.0]
正方形ワッサーシュタイン距離(英: squared Wasserstein distance)は、非パラメトリックな設定における確率分布を比較する量である。そこで本研究では,シンクホーンの発散量を用いて推定する手法を提案する。滑らかな密度に対して、この推定器はサンプルの複雑さに匹敵するが、より高い正規化レベルが可能であることを示す。
論文参考訳（メタデータ） (2020-06-15T06:58:16Z)
SUMO: Unbiased Estimation of Log Marginal Probability for Latent Variable Models [80.22609163316459]
無限級数のランダム化トランケーションに基づく潜在変数モデルに対して、ログ境界確率の非バイアス推定器とその勾配を導入する。推定器を用いてトレーニングしたモデルは、同じ平均計算コストに対して、標準的な重要度サンプリングに基づくアプローチよりも優れたテストセット確率を与えることを示す。
論文参考訳（メタデータ） (2020-04-01T11:49:30Z)

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。