論文の概要: Hybrid Bernstein Normalizing Flows for Flexible Multivariate Density Regression with Interpretable Marginals
- arxiv url: http://arxiv.org/abs/2505.14164v1
- Date: Tue, 20 May 2025 10:17:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-21 14:49:53.057335
- Title: Hybrid Bernstein Normalizing Flows for Flexible Multivariate Density Regression with Interpretable Marginals
- Title（参考訳）: 解釈可能な行列を持つ柔軟多変量密度回帰のためのハイブリッドバーンスタイン正規化流れ
- Authors: Marcel Arpogaus, Thomas Kneib, Thomas Nagler, David Rügamer,
- Abstract要約: 密度回帰モデルは、完全な条件付き確率分布をモデル化することによって、データの包括的な理解を可能にする。
本稿では,MCTMと最先端・自己回帰NFを組み合わせることで,解釈可能な特徴効果のモデル化にMCTMの透明性を活用する。
各種数値実験において,本手法の汎用性を実証し,実世界およびシミュレーションデータ上でのMCTMや他のNFモデルと比較した。
- 参考スコア（独自算出の注目度）: 3.669506968635671
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Density regression models allow a comprehensive understanding of data by modeling the complete conditional probability distribution. While flexible estimation approaches such as normalizing flows (NF) work particularly well in multiple dimensions, interpreting the input-output relationship of such models is often difficult, due to the black-box character of deep learning models. In contrast, existing statistical methods for multivariate outcomes such as multivariate conditional transformation models (MCTM) are restricted in flexibility and are often not expressive enough to represent complex multivariate probability distributions. In this paper, we combine MCTM with state-of-the-art and autoregressive NF to leverage the transparency of MCTM for modeling interpretable feature effects on the marginal distributions in the first step and the flexibility of neural-network-based NF techniques to account for complex and non-linear relationships in the joint data distribution. We demonstrate our method's versatility in various numerical experiments and compare it with MCTM and other NF models on both simulated and real-world data.
- Abstract（参考訳）: 密度回帰モデルは、完全な条件付き確率分布をモデル化することによって、データの包括的な理解を可能にする。
フローの正規化(NF)のような柔軟な推定手法は、複数の次元において特にうまく機能するが、深層学習モデルのブラックボックス特性のため、そのようなモデルの入出力関係を解釈することがしばしば困難である。
対照的に、多変量条件変換モデル(MCTM)のような既存の統計手法は柔軟性に制限されており、複雑な多変量確率分布を表現できないことが多い。
本稿では,MCTMと最先端・自己回帰的NFを組み合わせることで,第1段階の限界分布に対する解釈可能な特徴効果をモデル化するためのMCTMの透明性と,結合データ分布における複雑・非線形関係を考慮に入れたニューラルネットワークベースのNF技術の柔軟性を活用する。
各種数値実験において,本手法の汎用性を実証し,実世界およびシミュレーションデータ上でのMCTMや他のNFモデルと比較した。
関連論文リスト
- Beyond DAGs: A Latent Partial Causal Model for Multimodal Learning [80.44084021062105]
本稿では,非方向エッジで連結された2つの潜在結合変数を特徴とする,多モーダルデータに対する新しい潜在部分因果モデルを提案する。
特定の統計的仮定の下では、多モーダル・コントラッシブ・ラーニングによって学習された表現が、自明な変換までの潜在結合変数に対応することを示す。
事前トレーニングされたCLIPモデルの実験は、非絡み合った表現を具現化し、数ショットの学習を可能にし、さまざまな現実世界のデータセットにわたるドメインの一般化を改善する。
論文 参考訳（メタデータ） (2024-02-09T07:18:06Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - FiMReSt: Finite Mixture of Multivariate Regulated Skew-t Kernels -- A
Flexible Probabilistic Model for Multi-Clustered Data with
Asymmetrically-Scattered Non-Gaussian Kernels [0.0]
本研究では,混合モデルを学習し,スキューをモデル化するための一般化可能性とパワーを高めるために,正規化された反復最適化プロセスを提案する。
得られた混合モデルは、マルチレギュレーションスキュート(FiMStss)の有限混合と呼ばれる。
この性能を検証するため,複数の実世界のデータセットと合成データセットに関する総合的な実験を行った。
論文 参考訳（メタデータ） (2023-05-15T23:53:59Z) - Normalizing Flow with Variational Latent Representation [20.038183566389794]
正規化フロー(NF)の実用性能を向上させるため,変分潜在表現に基づく新しいフレームワークを提案する。
この考え方は、標準正規潜在変数をより一般的な潜在変数に置き換えることであり、変分ベイズを通して共同で学習される。
得られた手法は,複数のモードでデータ分布を生成する標準的な正規化フローアプローチよりもはるかに強力である。
論文 参考訳（メタデータ） (2022-11-21T16:51:49Z) - Learning Multivariate CDFs and Copulas using Tensor Factorization [39.24470798045442]
データの多変量分布を学習することは、統計学と機械学習における中核的な課題である。
本研究では,多変量累積分布関数(CDF)を学習し,混合確率変数を扱えるようにすることを目的とする。
混合確率変数の合同CDFの任意のグリッドサンプリング版は、単純ベイズモデルとして普遍表現を許容することを示す。
提案モデルの性能を,回帰,サンプリング,データ計算を含むいくつかの合成および実データおよびアプリケーションで実証する。
論文 参考訳（メタデータ） (2022-10-13T16:18:46Z) - Mixture of experts models for multilevel data: modelling framework and
approximation theory [0.0]
マルチレベルデータのための混合MoE(MMoE)モデルについて検討する。
MMoEは、マルチレベルデータに受け継がれたほとんど全ての特性に正確に類似する可能性がある。
MMoEのネストバージョンは、異なる因子レベルのランダム効果の幅広い依存構造を普遍的に近似している。
論文 参考訳（メタデータ） (2022-09-30T03:29:32Z) - Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma
Distributions [91.63716984911278]
このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。
実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
論文 参考訳（メタデータ） (2021-11-11T14:28:12Z) - Marginalizable Density Models [14.50261153230204]
本稿では,変数の任意の部分集合の確率,限界,条件に対するクローズドフォーム表現を提供する,新しいディープネットワークアーキテクチャを提案する。
このモデルはまた、変数数に時間複雑性の対数依存しか依存しない並列サンプリングを可能にする。
論文 参考訳（メタデータ） (2021-06-08T23:54:48Z) - Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
条件正規化フロー(CNF)はサンプリングと推論において効率的である。
出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
論文 参考訳（メタデータ） (2019-11-29T19:17:58Z)
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。