論文の概要: The Polynomial Stein Discrepancy for Assessing Moment Convergence

• arxiv url: http://arxiv.org/abs/2412.05135v1
• Date: Fri, 06 Dec 2024 15:51:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-09 15:57:05.537928
• Title: The Polynomial Stein Discrepancy for Assessing Moment Convergence
• Title（参考訳）: モーメント・コンバージェンス評価のための多項式の立体差
• Authors: Narayan Srinivasan, Matthew Sutton, Christopher Drovandi, Leah F South,
• Abstract要約: 本研究では,サンプルの集合とベイズ推定のための所望の後方分布との差を測定する新しい手法を提案する。 いくつかの例において、このテストは競合他社よりも高いパワーを持ち、計算コストが低いことを示す。
• 参考スコア（独自算出の注目度）: 1.0835264351334324
• License:
• Abstract: We propose a novel method for measuring the discrepancy between a set of samples and a desired posterior distribution for Bayesian inference. Classical methods for assessing sample quality like the effective sample size are not appropriate for scalable Bayesian sampling algorithms, such as stochastic gradient Langevin dynamics, that are asymptotically biased. Instead, the gold standard is to use the kernel Stein Discrepancy (KSD), which is itself not scalable given its quadratic cost in the number of samples. The KSD and its faster extensions also typically suffer from the curse-of-dimensionality and can require extensive tuning. To address these limitations, we develop the polynomial Stein discrepancy (PSD) and an associated goodness-of-fit test. While the new test is not fully convergence-determining, we prove that it detects differences in the first r moments in the Bernstein-von Mises limit. We empirically show that the test has higher power than its competitors in several examples, and at a lower computational cost. Finally, we demonstrate that the PSD can assist practitioners to select hyper-parameters of Bayesian sampling algorithms more efficiently than competitors.
• Abstract（参考訳）: 本研究では,サンプルの集合とベイズ推定のための所望の後方分布との相違を計測する新しい手法を提案する。 有効なサンプルサイズのようなサンプル品質を評価する古典的な手法は、漸近的にバイアスを受ける確率勾配ランゲヴィンダイナミクスのようなスケーラブルなベイズサンプリングアルゴリズムには適さない。 代わりに、金の標準はカーネルStein Discrepancy (KSD) を使うことであり、サンプル数に二次的なコストがかかるため、それ自体はスケーラビリティがない。 KSDとその高速な拡張は、通常、次元の呪いに悩まされ、広範囲なチューニングを必要とする。 これらの制約に対処するため,多項式Steindisrepancy (PSD) と関連する適合性テストを開発した。 新しいテストは完全に収束決定するわけではないが、ベルンシュタイン-ヴォンミス極限における最初の r モーメントの差を検出することを証明している。 実験の結果,いくつかの例では競争相手よりも高い性能を示し,計算コストも低いことがわかった。 最後に、PSDは、実践者がベイズサンプリングアルゴリズムのハイパーパラメータを競争相手よりも効率的に選択するのを支援できることを実証する。

関連論文リスト

• Sequential Kernelized Stein Discrepancy [34.773470589069476]
  我々は、任意の点評価においてスタインカーネルの潜在的有界性を利用して、テストマーチンガレットを定義する。 我々は、この試験の有効性を証明し、代替案の下での富のプロセスの対数的成長の限界を低くする。
  論文  参考訳（メタデータ） (2024-09-26T03:24:59Z)
• Collapsed Inference for Bayesian Deep Learning [36.1725075097107]
  本稿では,崩壊サンプルを用いたベイズモデル平均化を行う新しい崩壊予測手法を提案する。 崩壊したサンプルは、近似後部から引き出された数え切れないほど多くのモデルを表す。 提案手法は, スケーラビリティと精度のバランスをとる。
  論文  参考訳（メタデータ） (2023-06-16T08:34:42Z)
• Detecting Adversarial Data by Probing Multiple Perturbations Using Expected Perturbation Score [62.54911162109439]
  逆方向検出は、自然分布と逆方向分布の差に基づいて、与えられたサンプルが逆方向であるかどうかを判定することを目的としている。 本研究では,様々な摂動後の標本の予測スコアであるEPS(pre expected perturbation score)を提案する。 EPSに基づく最大平均誤差(MMD)を,試験試料と自然試料との差を測定する指標として開発する。
  論文  参考訳（メタデータ） (2023-05-25T13:14:58Z)
• Using Perturbation to Improve Goodness-of-Fit Tests based on Kernelized Stein Discrepancy [3.78967502155084]
  Kernelized Stein discrepancy (KSD) は、良質なテストで広く使われているスコアベースの不一致である。 我々は、KSD試験が、ターゲットと代替分布が同一の分離モードを持つが混合比が異なる場合、低出力に悩まされることを理論的かつ実証的に示す。
  論文  参考訳（メタデータ） (2023-04-28T11:13:18Z)
• Preconditioned Score-based Generative Models [49.88840603798831]
  直感的な加速度法はサンプリングの繰り返しを減らし、しかしながら重大な性能劣化を引き起こす。 本稿では,行列プレコンディショニングを利用したモデル非依存型bfem事前条件拡散サンプリング(PDS)手法を提案する。 PDSは、バニラSGMのサンプリングプロセスを限界余剰計算コストで変更し、モデルの再訓練を行わない。
  論文  参考訳（メタデータ） (2023-02-13T16:30:53Z)
• Sequential Kernelized Independence Testing [101.22966794822084]
  我々は、カーネル化依存度にインスパイアされたシーケンシャルなカーネル化独立試験を設計する。 シミュレーションデータと実データの両方にアプローチのパワーを実証する。
  論文  参考訳（メタデータ） (2022-12-14T18:08:42Z)
• Efficient Aggregated Kernel Tests using Incomplete $U$-statistics [22.251118308736327]
  提案した3つのテストは、複数のカーネル帯域に集約され、さまざまなスケールでnullからの離脱を検出する。 提案した線形時間集約テストは,現在最先端の線形時間カーネルテストよりも高い出力が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-18T12:30:06Z)
• From Optimality to Robustness: Dirichlet Sampling Strategies in Stochastic Bandits [0.0]
  本研究では、腕の観察を再サンプリングした経験的指標のペア比較に基づいて、ジェネリックディリクレサンプリング(DS)アルゴリズムについて検討する。 この戦略の異なる変種は、分布が有界であるときに証明可能な最適後悔保証と、半有界分布に対して軽度量子状態の対数後悔を実現することを示す。
  論文  参考訳（メタデータ） (2021-11-18T14:34:21Z)
• Tracking disease outbreaks from sparse data with Bayesian inference [55.82986443159948]
  新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。 標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。 原理的に部分観測可能なベイズ的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-09-12T20:37:33Z)
• Compressing Large Sample Data for Discriminant Analysis [78.12073412066698]
  判別分析フレームワーク内での大きなサンプルサイズに起因する計算問題を考察する。 線形および二次判別分析のためのトレーニングサンプル数を削減するための新しい圧縮手法を提案する。
  論文  参考訳（メタデータ） (2020-05-08T05:09:08Z)
• The Simulator: Understanding Adaptive Sampling in the Moderate-Confidence Regime [52.38455827779212]
  エミュレータと呼ばれる適応サンプリングを解析するための新しい手法を提案する。 適切なログファクタを組み込んだトップk問題の最初のインスタンスベースの下位境界を証明します。 我々の新しい分析は、後者の問題に対するこの種の最初のエミュレータであるベストアームとトップkの識別に、シンプルでほぼ最適であることを示した。
  論文  参考訳（メタデータ） (2017-02-16T23:42:02Z)

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。