論文の概要: Low Stein Discrepancy via Message-Passing Monte Carlo
- arxiv url: http://arxiv.org/abs/2503.21103v1
- Date: Thu, 27 Mar 2025 02:49:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-28 12:50:51.843265
- Title: Low Stein Discrepancy via Message-Passing Monte Carlo
- Title(参考訳): メッセージパッシングモンテカルロによる低ステイン不一致
- Authors: Nathan Kirk, T. Konstantin Rusch, Jakob Zech, Daniela Rus,
- Abstract要約: Message-Passing Monte Carlo (MPMC)は、幾何学的深層学習のツールを活用する新しい低差サンプリング手法として最近導入された。
このフレームワークを、既知の確率密度関数を持つ一般多変量確率分布からサンプルに拡張する。
提案手法であるStein-Message-Passing Monte Carlo (MPMC) は,カーネル化されたSteinの相違を最小限に抑え,試料品質の向上を図る。
- 参考スコア(独自算出の注目度): 50.81061839052459
- License:
- Abstract: Message-Passing Monte Carlo (MPMC) was recently introduced as a novel low-discrepancy sampling approach leveraging tools from geometric deep learning. While originally designed for generating uniform point sets, we extend this framework to sample from general multivariate probability distributions with known probability density function. Our proposed method, Stein-Message-Passing Monte Carlo (Stein-MPMC), minimizes a kernelized Stein discrepancy, ensuring improved sample quality. Finally, we show that Stein-MPMC outperforms competing methods, such as Stein Variational Gradient Descent and (greedy) Stein Points, by achieving a lower Stein discrepancy.
- Abstract(参考訳): Message-Passing Monte Carlo (MPMC)は、幾何学的深層学習のツールを活用する新しい低差サンプリング手法として最近導入された。
当初、一様点集合を生成するために設計されたが、このフレームワークは、既知の確率密度関数を持つ一般的な多変量確率分布からサンプルに拡張する。
提案手法であるStein-Message-Passing Monte Carlo (Stein-MPMC) は,カーネル化されたSteinの相違を最小限に抑え,試料の品質を向上させる。
最後に、Stein-MPMCは、Stein Variational Gradient Descent や(greedy) Stein Pointsのような競合する手法よりも、より低いStein差を達成できることを示す。
関連論文リスト
- Kernel Stein Discrepancy thinning: a theoretical perspective of
pathologies and a practical fix with regularization [0.0]
Stein Thinning は (Riabiz et al., 2022) がマルコフ連鎖モンテカルロのポストプロセッシング出力に対して提案した有望なアルゴリズムである。
本稿では,これらの病態を理論的に解析し,そのメカニズムを明確に把握し,改善戦略を提案する。
次に,正規化Steinシンニングアルゴリズムを導入し,診断された病態を緩和する。
論文 参考訳(メタデータ) (2023-01-31T10:23:56Z) - Nearly Optimal Latent State Decoding in Block MDPs [74.51224067640717]
エピソードブロック MDP では、意思決定者は少数の潜在状態から生成される豊富な観測やコンテキストにアクセスすることができる。
まず、固定動作ポリシーに基づいて生成されたデータに基づいて、潜時状態復号関数を推定することに興味がある。
次に、報酬のないフレームワークにおいて、最適に近いポリシーを学習する問題について研究する。
論文 参考訳(メタデータ) (2022-08-17T18:49:53Z) - Jo-SRC: A Contrastive Approach for Combating Noisy Labels [58.867237220886885]
Jo-SRC (Joint Sample Selection and Model Regularization based on Consistency) というノイズロバスト手法を提案する。
具体的には、対照的な学習方法でネットワークをトレーニングする。
各サンプルの2つの異なるビューからの予測は、クリーンまたは分布不足の「可能性」を推定するために使用されます。
論文 参考訳(メタデータ) (2021-03-24T07:26:07Z) - Stein Variational Model Predictive Control [130.60527864489168]
不確実性の下での意思決定は、現実の自律システムにとって極めて重要である。
モデル予測制御 (MPC) 法は, 複雑な分布を扱う場合, 適用範囲が限られている。
この枠組みが、挑戦的で非最適な制御問題における計画の成功に繋がることを示す。
論文 参考訳(メタデータ) (2020-11-15T22:36:59Z) - Stochastic Stein Discrepancies [29.834557590747572]
スタイン演算子の評価に費用がかかる場合、スタイン差分計算は禁じることができる。
確率1の標準SDの収束制御特性をStein演算子のサブサンプリング近似に基づくStein差分(SSD)が継承することを示す。
論文 参考訳(メタデータ) (2020-07-06T16:15:33Z) - Sliced Kernelized Stein Discrepancy [17.159499204595527]
Kernelized Stein discrepancy (KSD) は、良質なテストやモデル学習に広く用いられている。
最適一次元射影上に定義されたカーネルベースのテスト関数を用いるスライスされたスタイン差分とそのスケーラブルでカーネル化された変種を提案する。
モデル学習においては,異なる相違点を持つ独立成分分析モデルを訓練することにより,既存のSteinの相違点ベースラインに対してその優位性を示す。
論文 参考訳(メタデータ) (2020-06-30T04:58:55Z) - Stochastic Saddle-Point Optimization for Wasserstein Barycenters [69.68068088508505]
オンラインデータストリームによって生成される有限個の点からなるランダムな確率測度に対する人口推定バリセンタ問題を考察する。
本稿では,この問題の構造を用いて,凸凹型サドル点再構成を行う。
ランダム確率測度の分布が離散的な場合、最適化アルゴリズムを提案し、その複雑性を推定する。
論文 参考訳(メタデータ) (2020-06-11T19:40:38Z) - A diffusion approach to Stein's method on Riemannian manifolds [65.36007959755302]
我々は、ターゲット不変測度を持つ$mathbf M$上の拡散の生成元と、その特徴付けStein演算子との関係を利用する。
我々は、スタイン方程式とその微分に解を束縛するスタイン因子を導出する。
我々は、$mathbf M$ が平坦多様体であるとき、$mathbb Rm$ の有界が有効であることを暗示する。
論文 参考訳(メタデータ) (2020-03-25T17:03:58Z) - The reproducing Stein kernel approach for post-hoc corrected sampling [11.967340182951464]
ステインの重要度サンプリングは,対象とする関心の分布に関連する量に対して一貫した推定値が得られることを証明した。
ステイン核を再生する普遍理論が確立され、一般的なポーランド空間上でのカーネル化ステインの差分性の構築が可能となる。
論文 参考訳(メタデータ) (2020-01-25T05:33:05Z) - Stein's Lemma for the Reparameterization Trick with Exponential Family Mixtures [23.941042092067338]
スタインの補題はスタインの方法において重要な役割を果たす。
我々はスタインの補題を指数列混合分布に拡張する。
論文 参考訳(メタデータ) (2019-10-29T16:59:22Z)
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。