論文の概要: Generative Adversarial Networks for High-Dimensional Item Factor Analysis: A Deep Adversarial Learning Algorithm

• arxiv url: http://arxiv.org/abs/2502.10650v1
• Date: Sat, 15 Feb 2025 03:03:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-18 14:13:54.042944
• Title: Generative Adversarial Networks for High-Dimensional Item Factor Analysis: A Deep Adversarial Learning Algorithm
• Title（参考訳）: 高次元因子分析のための生成的逆数ネットワーク:深い逆数学習アルゴリズム
• Authors: Nanyu Luo, Feng Ji,
• Abstract要約: 本研究では、アイテムファクター解析のためのVAEの改善として、Adversarial Variational Bayes (AVB)アルゴリズムを提案する。 AVBは補助判別器ネットワークを組み込んで、推定プロセスを2人対戦ゲームとして再構成する。 さらに強化されたアルゴリズムとして、IwaVB(Importance-weighted Adversarial Variational Bayes)を提案し、IwaE(Importance-weighted Autoencoders)と比較した。
• 参考スコア（独自算出の注目度）: 9.132370119093597
• License:
• Abstract: Advances in deep learning and representation learning have transformed item factor analysis (IFA) in the item response theory (IRT) literature by enabling more efficient and accurate parameter estimation. Variational Autoencoders (VAEs) have been one of the most impactful techniques in modeling high-dimensional latent variables in this context. However, the limited expressiveness of the inference model based on traditional VAEs can still hinder the estimation performance. This study introduces Adversarial Variational Bayes (AVB) algorithms as an improvement to VAEs for IFA with improved flexibility and accuracy. By bridging the strengths of VAEs and Generative Adversarial Networks (GANs), AVB incorporates an auxiliary discriminator network to reframe the estimation process as a two-player adversarial game and removes the restrictive assumption of standard normal distributions in the inference model. Theoretically, AVB can achieve similar or higher likelihood compared to VAEs. A further enhanced algorithm, Importance-weighted Adversarial Variational Bayes (IWAVB) is proposed and compared with Importance-weighted Autoencoders (IWAE). In an exploratory analysis of real empirical data, IWAVB demonstrated superior expressiveness by achieving a higher likelihood compared to IWAE. In confirmatory studies with simulated data, IWAVB achieved similar mean-square error results to IWAE while consistently achieving higher likelihoods. Moreover, in simulations where latent variables followed a multimodal distribution, IWAVB outperformed IWAE by providing more accurate parameter estimates. With its innovative use of GANs, IWAVB is shown to have the potential to extend IFA to handle large-scale data, facilitating the potential integration of psychometrics and multimodal data analysis.
• Abstract（参考訳）: 深層学習と表現学習の進歩は、より効率的かつ正確なパラメータ推定を可能にすることにより、項目応答理論(IRT)の項目因子分析(IFA)に変化をもたらした。 変分オートエンコーダ(VAE)は、この文脈で高次元潜在変数をモデル化する最も影響力のある手法の1つである。 しかしながら、従来のVAEに基づく推論モデルの限られた表現性は、依然として推定性能を阻害する可能性がある。 本研究は,IAAのためのVAEの改良として,柔軟性と精度を向上したAVBアルゴリズムを提案する。 VAEとGAN(Generative Adversarial Networks)の強みをブリッジすることにより、AVBは補助的判別器ネットワークを組み込んで、推定プロセスを2プレイヤー対逆ゲームとして再構成し、推論モデルにおける標準正規分布の制限的な仮定を除去する。 理論的には、AVBはVAEと同等かそれ以上の確率を達成できる。 さらに強化されたアルゴリズムであるImportance-weighted Adversarial Variational Bayes (IWAVB)を提案し、Importance-weighted Autoencoders (IWAE)と比較した。 実経験データの探索分析において,IWAVBはIWAEよりも高い確率を達成し,優れた表現性を示した。 シミュレーションデータを用いた検証研究において、IWAVBは平均二乗誤差をIWAEと同等に達成し、高い確率を一貫して達成した。 さらに、潜伏変数がマルチモーダル分布に従うシミュレーションでは、より正確なパラメータ推定を提供することで、IWAVBはIWAEより優れていた。 GANの革新的な利用により、IWAVBはIFAを拡張して大規模データを扱う可能性があり、サイコメトリックスとマルチモーダルデータ分析の潜在的な統合を促進することが示されている。

関連論文リスト

• Variational Autoencoder for Anomaly Detection: A Comparative Study [1.9131868049527914]
  本稿では,同時代の変分オートエンコーダ(VAE)アーキテクチャを異常検出に用い比較解析することを目的とする。 検討中のアーキテクチャ構成には、元々のVAEベースライン、ガウスランダムフィールド(VAE-GRF)を持つVAE、ビジョントランスフォーマー(ViT-VAE)を搭載したVAEが含まれる。
  論文  参考訳（メタデータ） (2024-08-24T12:07:57Z)
• Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
  本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。 提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-27T14:39:41Z)
• Contrastive variational information bottleneck for aspect-based sentiment analysis [36.83876224466177]
  CVIB(Contrastive Variational Information Bottleneck)フレームワークを用いて,アスペクトベース感情分析(ABSA)の素早い相関性を低減することを提案する。 提案するCVIBフレームワークは,元のネットワークと自走ネットワークで構成され,これら2つのネットワークは,コントラスト学習によって同時に最適化される。 提案手法は, 全体的な予測性能, 堅牢性, 一般化の点で, 強力な競合相手よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-03-06T02:52:37Z)
• Latent Variable Representation for Reinforcement Learning [131.03944557979725]
  モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。 状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。 特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-17T00:26:31Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
  変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。 よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:58:13Z)
• A Variational Bayesian Approach to Learning Latent Variables for Acoustic Knowledge Transfer [55.20627066525205]
  本稿では,ディープニューラルネットワーク(DNN)モデルにおける潜伏変数の分布を学習するための変分ベイズ(VB)アプローチを提案する。 我々の提案するVBアプローチは,ターゲットデバイスにおいて良好な改善が得られ,しかも,13の最先端知識伝達アルゴリズムを一貫して上回っている。
  論文  参考訳（メタデータ） (2021-10-16T15:54:01Z)
• AAVAE: Augmentation-Augmented Variational Autoencoders [43.73699420145321]
  本稿では,自動符号化に基づく自己教師型学習における第3のアプローチであるAugmentation-augmented variational autoencoders (AAVAE)を紹介する。 画像分類において提案したAAVAEを,最近のコントラスト学習アルゴリズムや非コントラスト学習アルゴリズムと同様に実証的に評価した。
  論文  参考訳（メタデータ） (2021-07-26T17:04:30Z)
• Bigeminal Priors Variational auto-encoder [5.430048915427229]
  変分自動エンコーダ(VAEs)は、教師なし学習における可能性に基づく生成モデルに影響を及ぼし、一般的に使用される。 本稿では,この現象に対処するための新しいモデル,すなわちBigeminal Priors Variational Auto-Encoder(BPVAE)を提案する。 BPVAEは2つのデータセットの特徴を学習し、単純なデータセットよりもトレーニングデータセットの可能性が高くなる。
  論文  参考訳（メタデータ） (2020-10-05T07:10:52Z)
• Learnable Bernoulli Dropout for Bayesian Deep Learning [53.79615543862426]
  Learnable Bernoulli Dropout (LBD) は、他のモデルパラメータと共に最適化されたパラメータとしてドロップアウト率を考慮する新しいモデルに依存しないドロップアウトスキームである。 LBDは画像分類とセマンティックセグメンテーションにおける精度と不確実性の推定を改善する。
  論文  参考訳（メタデータ） (2020-02-12T18:57:14Z)

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。