論文の概要: GPDFlow: Generative Multivariate Threshold Exceedance Modeling via Normalizing Flows
- arxiv url: http://arxiv.org/abs/2503.11822v1
- Date: Fri, 14 Mar 2025 19:20:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-18 15:59:42.309157
- Title: GPDFlow: Generative Multivariate Threshold Exceedance Modeling via Normalizing Flows
- Title（参考訳）: GPDFlow: 正規化フローによる多変量閾値出力モデリング
- Authors: Chenglei Hu, Daniela Castro-Camilo,
- Abstract要約: GPDFlowは、正規化フローを利用して依存構造を柔軟に表現する革新的なmGPDモデルである。
GPDFlowは依存のパラメトリックな仮定を明示していないため、柔軟性が向上し、性能が向上する。
GPDFlowは従来のパラメトリック手法と比較してモデリング精度と柔軟性を著しく向上することを示した。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: The multivariate generalized Pareto distribution (mGPD) is a common method for modeling extreme threshold exceedance probabilities in environmental and financial risk management. Despite its broad applicability, mGPD faces challenges due to the infinite possible parametrizations of its dependence function, with only a few parametric models available in practice. To address this limitation, we introduce GPDFlow, an innovative mGPD model that leverages normalizing flows to flexibly represent the dependence structure. Unlike traditional parametric mGPD approaches, GPDFlow does not impose explicit parametric assumptions on dependence, resulting in greater flexibility and enhanced performance. Additionally, GPDFlow allows direct inference of marginal parameters, providing insights into marginal tail behavior. We derive tail dependence coefficients for GPDFlow, including a bivariate formulation, a $d$-dimensional extension, and an alternative measure for partial exceedance dependence. A general relationship between the bivariate tail dependence coefficient and the generative samples from normalizing flows is discussed. Through simulations and a practical application analyzing the risk among five major US banks, we demonstrate that GPDFlow significantly improves modeling accuracy and flexibility compared to traditional parametric methods.
- Abstract（参考訳）: 多変量一般化パレート分布(mGPD)は、環境および金融リスク管理における極端しきい値超過確率をモデル化するための一般的な手法である。
適用性は広いが、mGPDはその依存関数の無限のパラメトリゼーションのために困難に直面する。
この制限に対処するため、GPDFlowは、正規化フローを利用して依存構造を柔軟に表現する革新的なmGPDモデルである。
従来のパラメトリックmGPDアプローチとは異なり、GPDFlowは依存に明示的なパラメトリック仮定を課さないため、柔軟性が向上し、性能が向上する。
さらに、GPDFlowは辺縁パラメータの直接推論を可能にし、辺縁尾の挙動に関する洞察を提供する。
両変数の定式化,$d$-dimensional拡張,および部分超越依存の代替尺度を含む GPDFlow のテール依存性係数を導出する。
二変量テール依存性係数と正規化流からの生成サンプルの関係について論じる。
GPDFlowは従来のパラメトリック手法に比べてモデリング精度と柔軟性を著しく向上することを示した。
関連論文リスト
- Pushing the Limits of Large Language Model Quantization via the Linearity Theorem [71.3332971315821]
本稿では,階層的$ell$再構成誤差と量子化によるモデルパープレキシティ増加との直接的な関係を確立する「線形定理」を提案する。
この知見は,(1)アダマール回転とHIGGSと呼ばれるMSE最適格子を用いた単純なデータフリーLCM量子化法,(2)非一様層ごとの量子化レベルを求める問題に対する最適解の2つの新しい応用を可能にする。
論文 参考訳（メタデータ） (2024-11-26T15:35:44Z) - A Non-negative VAE:the Generalized Gamma Belief Network [49.970917207211556]
ガンマ信念ネットワーク(GBN)は、テキストデータ中の多層解釈可能な潜在表現を明らかにする可能性を実証している。
本稿では、一般化ガンマ信念ネットワーク(Generalized GBN)を導入し、元の線形生成モデルをより表現力のある非線形生成モデルに拡張する。
また、潜伏変数の後方分布を近似する上向きのワイブル推論ネットワークを提案する。
論文 参考訳（メタデータ） (2024-08-06T18:18:37Z) - Scaling and renormalization in high-dimensional regression [72.59731158970894]
本稿では,様々な高次元リッジ回帰モデルの訓練および一般化性能の簡潔な導出について述べる。
本稿では,物理と深層学習の背景を持つ読者を対象に,これらのトピックに関する最近の研究成果の紹介とレビューを行う。
論文 参考訳（メタデータ） (2024-05-01T15:59:00Z) - Convex Parameter Estimation of Perturbed Multivariate Generalized
Gaussian Distributions [18.95928707619676]
本稿では,MGGDパラメータの確立された特性を持つ凸定式化を提案する。
提案するフレームワークは, 精度行列, 平均, 摂動の様々な正規化を組み合わせ, 柔軟である。
実験により, 平均ベクトルパラメータに対して, 同様の性能でより正確な精度と共分散行列推定を行うことができた。
論文 参考訳（メタデータ） (2023-12-12T18:08:04Z) - Forward $\chi^2$ Divergence Based Variational Importance Sampling [2.841087763205822]
本稿では,ログ類似度を直接推定し,最大化する新しい変動重要度サンプリング(VIS)手法を提案する。
我々は、混合モデル、変分自動エンコーダ、部分的に観測可能な一般化線形モデルなど、様々な一般的な潜在変数モデルにVISを適用する。
論文 参考訳（メタデータ） (2023-11-04T21:46:28Z) - Dropout Regularization in Extended Generalized Linear Models based on Double Exponential Families [0.0]
二重指数族に基づく拡張一般化線形モデルにおけるドロップアウト正則化について検討する。
理論解析により、ドロップアウト正則化は平均値と分散値の両方において稀だが重要な特徴を好むことが示された。
論文 参考訳（メタデータ） (2023-05-11T07:54:11Z) - Pseudo-Spherical Contrastive Divergence [119.28384561517292]
エネルギーベースモデルの最大学習確率を一般化するために,擬球面コントラスト分散(PS-CD)を提案する。
PS-CDは難解な分割関数を避け、学習目的の一般化されたファミリーを提供する。
論文 参考訳（メタデータ） (2021-11-01T09:17:15Z) - Post-mortem on a deep learning contest: a Simpson's paradox and the
complementary roles of scale metrics versus shape metrics [61.49826776409194]
我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。
メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。
本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
論文 参考訳（メタデータ） (2021-06-01T19:19:49Z) - Estimating Linear Mixed Effects Models with Truncated Normally
Distributed Random Effects [5.4052819252055055]
ランダム効果の正規分布を仮定した場合、最大極大アプローチを用いて推論を行うことができる。
本稿では、古典的(制約のない)LMEモデルを拡張し、その全体係数の符号制約を許容する。
論文 参考訳（メタデータ） (2020-11-09T16:17:35Z) - Statistical Guarantees for Transformation Based Models with Applications
to Implicit Variational Inference [8.333191406788423]
非パラメトリック推論における非線形潜在変数モデル(NL-LVM)の使用に関する理論的正当性を提供する。
我々はNL-LVMを用いて、GP-IVIとみなす変分分布の暗黙の族を構築する。
私たちの知る限りでは、暗黙の変分推論の理論的保証を提供するための最初の研究である。
論文 参考訳（メタデータ） (2020-10-23T21:06:29Z) - Probabilistic Circuits for Variational Inference in Discrete Graphical
Models [101.28528515775842]
変分法による離散的グラフィカルモデルの推論は困難である。
エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。
Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。
選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
論文 参考訳（メタデータ） (2020-10-22T05:04:38Z)
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。