論文の概要: Effective Method for Inverse Ising Problem under Missing Observations in Restricted Boltzmann Machines

• arxiv url: http://arxiv.org/abs/2504.05643v2
• Date: Wed, 09 Apr 2025 06:05:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-10 13:07:05.547758
• Title: Effective Method for Inverse Ising Problem under Missing Observations in Restricted Boltzmann Machines
• Title（参考訳）: 制限ボルツマンマシンの欠測観測における逆イズリング問題の有効解法
• Authors: Kaiji Sekimoto, Muneki Yasuda,
• Abstract要約: ボルツマンマシン(英: Boltzmann machine、RBM)は、イジングモデルに類似したエネルギーベースのモデルである。 本研究では,現実的逆イジング問題におけるこれらの期待に対する近似フレームワークを提案する。 本研究では,提案手法が従来の手法と比較して,モデルパラメータを効果的かつ正確に調整できることを実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Restricted Boltzmann machines (RBMs) are energy-based models analogous to the Ising model and are widely applied in statistical machine learning. The standard inverse Ising problem with a complete dataset requires computing both data and model expectations and is computationally challenging because model expectations have a combinatorial explosion. Furthermore, in many applications, the available datasets are partially incomplete, making it difficult to compute even data expectations. In this study, we propose a approximation framework for these expectations in the practical inverse Ising problems that integrates mean-field approximation or persistent contrastive divergence to generate refined initial points and spatial Monte Carlo integration to enhance estimator accuracy. We demonstrate that the proposed method effectively and accurately tunes the model parameters in comparison to the conventional method.
• Abstract（参考訳）: 制限ボルツマンマシン(RBM)は、Isingモデルに類似したエネルギーベースモデルであり、統計機械学習に広く応用されている。 完全なデータセットの標準逆イジング問題は、データとモデルの予測の両方を計算する必要がある。 さらに、多くのアプリケーションでは、利用可能なデータセットは部分的に不完全であり、データ期待値の計算も困難である。 本研究では, 平均場近似や持続的コントラスト分散を統合し, 改良された初期点と空間的モンテカルロ積分を合成し, 推定精度を向上する実測逆Ising問題におけるこれらの期待に対する近似フレームワークを提案する。 提案手法は,従来の手法と比較して,モデルパラメータを効果的かつ正確に調整することを示した。

関連論文リスト

• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Towards Learning Stochastic Population Models by Gradient Descent [0.0]
  パラメータと構造を同時に推定することで,最適化手法に大きな課題が生じることを示す。 モデルの正確な推定を実証するが、擬似的、解釈可能なモデルの推論を強制することは、難易度を劇的に高める。
  論文  参考訳（メタデータ） (2024-04-10T14:38:58Z)
• Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
  科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。 これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
  論文  参考訳（メタデータ） (2024-03-03T04:21:21Z)
• Partially factorized variational inference for high-dimensional mixed models [0.0]
  変分推論は、特にベイズ的文脈において、そのような計算を行う一般的な方法である。 標準平均場変動推論は,高次元の後方不確かさを劇的に過小評価することを示した。 次に、平均場仮定を適切に緩和すると、不確実な定量化が高次元で悪化しない手法が導かれることを示す。
  論文  参考訳（メタデータ） (2023-12-20T16:12:37Z)
• Efficient Training of Energy-Based Models Using Jarzynski Equality [13.636994997309307]
  エネルギーベースモデル(英: Energy-based model、EBM)は、統計物理学にインスパイアされた生成モデルである。 モデルパラメータに対する勾配の計算には、モデルの分布をサンプリングする必要がある。 ここでは、ジャジンスキーの等式に基づく非平衡熱力学の結果を用いて、この計算を効率的に行う方法を示す。
  論文  参考訳（メタデータ） (2023-05-30T21:07:52Z)
• Online machine-learning forecast uncertainty estimation for sequential data assimilation [0.0]
  予測の不確実性の定量化は、最先端の数値予測とデータ同化システムの重要な側面である。 本研究では、状態依存予測の不確実性を推定する畳み込みニューラルネットワークに基づく機械学習手法を提案する。 ハイブリッドデータ同化法は,アンサンブルが比較的小さい場合に,アンサンブルカルマンフィルタと同等の性能を示す。
  論文  参考訳（メタデータ） (2023-05-12T19:23:21Z)
• Extension of Dynamic Mode Decomposition for dynamic systems with incomplete information based on t-model of optimal prediction [69.81996031777717]
  動的モード分解は、動的データを研究するための非常に効率的な手法であることが証明された。 このアプローチの適用は、利用可能なデータが不完全である場合に問題となる。 本稿では,森-Zwanzig分解の1次近似を考察し,対応する最適化問題を記述し,勾配に基づく最適化法を用いて解く。
  論文  参考訳（メタデータ） (2022-02-23T11:23:59Z)
• Low-rank statistical finite elements for scalable model-data synthesis [0.8602553195689513]
  statFEMは、支配方程式に強制を埋め込むことによって、事前モデルの誤特定を認める。 この方法は、観測されたデータ生成過程を最小限の情報損失で再構築する。 本稿では、下層の密度共分散行列の低ランク近似を埋め込むことで、このハードルを克服する。
  論文  参考訳（メタデータ） (2021-09-10T09:51:43Z)
• Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
  本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。 堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。 異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
  論文  参考訳（メタデータ） (2020-07-21T08:18:06Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)
• Nonparametric Estimation in the Dynamic Bradley-Terry Model [69.70604365861121]
  カーネルのスムース化に依存する新しい推定器を開発し、時間とともにペア比較を前処理する。 モデルに依存しない設定における推定誤差と余剰リスクの両方について時間変化のオラクル境界を導出する。
  論文  参考訳（メタデータ） (2020-02-28T21:52:49Z)

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。