論文の概要: Bayesian Multivariate Density-Density Regression

• arxiv url: http://arxiv.org/abs/2504.12617v2
• Date: Mon, 22 Sep 2025 19:38:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 16:16:25.602664
• Title: Bayesian Multivariate Density-Density Regression
• Title（参考訳）: ベイズ多変量密度密度回帰
• Authors: Khai Nguyen, Yang Ni, Peter Mueller,
• Abstract要約: 多変量密度回帰(DDR)のための新規でスケーラブルなベイズフレームワークを提案する。 提案手法は,異なる次元の空間に居住する分布の重要な問題に対処する。 ベイジアンDDRは、従来の手法と比較して、堅牢な適合性、優れた予測性能、複雑な生物学的相互作用に関する貴重な洞察を提供する。
• 参考スコア（独自算出の注目度）: 25.35298354797079
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a novel and scalable Bayesian framework for multivariate-density-density regression (DDR), designed to model relationships between multivariate distributions. Our approach addresses the critical issue of distributions residing in spaces of differing dimensions. We utilize a generalized Bayes framework, circumventing the need for a fully specified likelihood by employing the sliced Wasserstein distance to measure the discrepancy between fitted and observed distributions. This choice not only handles high-dimensional data and varying sample sizes efficiently but also facilitates a Metropolis-adjusted Langevin algorithm (MALA) for posterior inference. Furthermore, we establish the posterior consistency of our generalized Bayesian approach, ensuring that the posterior distribution concentrates around the true parameters as the sample size increases. Through simulations and application to a population-scale single-cell dataset, we show that Bayesian DDR provides robust fits, superior predictive performance compared to traditional methods, and valuable insights into complex biological interactions.
• Abstract（参考訳）: 本稿では,多変量分布間の関係をモデル化する多変量密度回帰(DDR)のための,新しいスケーラブルなベイズフレームワークを提案する。 提案手法は,異なる次元の空間に居住する分布の重要な問題に対処する。 一般化ベイズフレームワークを用いて、スライスされたワッサーシュタイン距離を用いて、飽和分布と観測分布の差を測定することにより、完全に特定された可能性の必要性を回避する。 この選択は、高次元データと様々なサンプルサイズを効率的に扱うだけでなく、後部推論のためのメトロポリス調整ランゲヴィンアルゴリズム(MALA)を促進する。 さらに、一般化されたベイズ的アプローチの後方整合性を確立し、サンプルサイズが大きくなるにつれて、後続分布が真のパラメータの周りに集中することを保証する。 個体群規模の単一セルデータセットへのシミュレーションと応用を通して,ベイジアンDDRは,従来の手法に比べて堅牢な適合性,優れた予測性能,複雑な生物学的相互作用に関する貴重な洞察を提供することを示した。

関連論文リスト

• Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
  本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。 我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。 また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
  論文  参考訳（メタデータ） (2025-06-26T09:05:38Z)
• Generative Distribution Embeddings [1.3252809892089024]
  本稿では,自動エンコーダを分散空間に引き上げるフレームワークである生成分布埋め込み(GDE)を紹介する。 GDEでは、エンコーダがサンプルの集合に作用し、デコーダは入力分布にマッチするジェネレータに置き換えられる。 GDEを計算生物学の6つの重要な問題に適用する。
  論文  参考訳（メタデータ） (2025-05-23T17:58:57Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Generative inpainting of incomplete Euclidean distance matrices of trajectories generated by a fractional Brownian motion [46.1232919707345]
  フラクショナルブラウン運動(fBm)はランダム性と強いスケールフリーの相関を特徴とする。 本稿では, 劣化した画像の特定のデータセット上で, 拡散に基づく塗布方法の動物園について検討する。 条件拡散生成は、異なるメモリ状態におけるfBmパスの組込み相関を容易に再現する。
  論文  参考訳（メタデータ） (2024-04-10T14:22:16Z)
• TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
  奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。 近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。 1)予測共分散は予測平均のランダム性を真に捉えているか? その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
  論文  参考訳（メタデータ） (2023-10-29T09:54:03Z)
• Conformal inference for regression on Riemannian Manifolds [49.7719149179179]
  回帰シナリオの予測セットは、応答変数が$Y$で、多様体に存在し、Xで表される共変数がユークリッド空間にあるときに検討する。 我々は、多様体上のこれらの領域の経験的バージョンが、その集団に対するほぼ確実に収束していることを証明する。
  論文  参考訳（メタデータ） (2023-10-12T10:56:25Z)
• Graph Fourier MMD for Signals on Graphs [67.68356461123219]
  本稿では,グラフ上の分布と信号の間の新しい距離を提案する。 GFMMDは、グラフ上で滑らかであり、期待差を最大化する最適な目撃関数によって定義される。 グラフベンチマークのデータセットと単一セルRNAシークエンシングデータ解析について紹介する。
  論文  参考訳（メタデータ） (2023-06-05T00:01:17Z)
• On counterfactual inference with unobserved confounding [36.18241676876348]
  独立だが不均一な単位を持つ観測的研究を前提として、各単位の反実分布を学習することが目的である。 我々は、すべての$n$サンプルをプールして、すべての$n$パラメータベクトルを共同で学習する凸目的を導入する。 対数的ソボレフ不等式を満たすためにコンパクトに支持された分布に対して十分な条件を導出する。
  論文  参考訳（メタデータ） (2022-11-14T04:14:37Z)
• A Unified Framework for Multi-distribution Density Ratio Estimation [101.67420298343512]
  バイナリ密度比推定(DRE)は多くの最先端の機械学習アルゴリズムの基礎を提供する。 ブレグマン最小化の発散の観点から一般的な枠組みを開発する。 我々のフレームワークはバイナリDREでそれらのフレームワークを厳格に一般化する手法に導かれることを示す。
  論文  参考訳（メタデータ） (2021-12-07T01:23:20Z)
• $k$-Variance: A Clustered Notion of Variance [23.57925128327]
  我々は,ランダム二成分マッチングの機構に基づく分散の一般化である $k$-variance を導入する。 1次元測度、クラスター測度、低次元部分集合に集中した測度など、いくつかの重要な場合において、この量の詳細分析を行う。
  論文  参考訳（メタデータ） (2020-12-13T04:25:32Z)
• Nonlinear Distribution Regression for Remote Sensing Applications [6.664736150040092]
  多くのリモートセンシングアプリケーションでは、観察から関心のある変数やパラメータを推定したい。 ニューラルネットワーク、ランダムフォレスト、ガウス過程などの標準アルゴリズムは、これら2つに関連して容易に利用可能である。 本稿では, グループ化されたデータの統計を仮定することなく, 従来の問題を解く非線形(カーネルベース)な分散回帰法を提案する。
  論文  参考訳（メタデータ） (2020-12-07T22:04:43Z)
• Information-Theoretic Bounds on Transfer Generalization Gap Based on Jensen-Shannon Divergence [42.275148861039895]
  トランスファーラーニングでは、異なるデータ分布からデータセットをトレーニングし、テストする。 本研究は, 平均移動一般化ギャップに関する新しい情報理論上界を示す。
  論文  参考訳（メタデータ） (2020-10-13T11:03:25Z)
• Linear Optimal Transport Embedding: Provable Wasserstein classification for certain rigid transformations and perturbations [79.23797234241471]
  分布の区別は多くの科学分野において重要な問題である。 線形最適輸送(LOT)は分布の空間を$L2$-スペースに埋め込む。 複数の分布分類問題に対するLOTの利点を実証する。
  論文  参考訳（メタデータ） (2020-08-20T19:09:33Z)
• Large scale analysis of generalization error in learning using margin based classification methods [2.436681150766912]
  サンプルサイズ$n$と次元$p$の両方の極限で、大マルジン分類器の族を一般化誤差とする式を導出する。 2層ニューラルネットワークでは、最近開発された2重降下現象をいくつかの分類モデルで再現する。
  論文  参考訳（メタデータ） (2020-07-16T20:31:26Z)
• Neural Bayes: A Generic Parameterization Method for Unsupervised Representation Learning [175.34232468746245]
  本稿ではニューラルベイズと呼ばれるパラメータ化手法を提案する。 これは一般に計算が難しい統計量の計算を可能にする。 このパラメータ化のための2つの独立したユースケースを示す。
  論文  参考訳（メタデータ） (2020-02-20T22:28:53Z)

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。