Fugu-MT 論文翻訳(概要): Towards Identifiability of Interventional Stochastic Differential Equations

論文の概要: Towards Identifiability of Interventional Stochastic Differential Equations

arxiv url: http://arxiv.org/abs/2505.15987v2
Date: Tue, 27 May 2025 13:55:15 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-28 14:37:19.751805
Title: Towards Identifiability of Interventional Stochastic Differential Equations
Title（参考訳）: インターベンショナル確率微分方程式の同定可能性に向けて
Authors: Aaron Zweig, Zaikang Lin, Elham Azizi, David Knowles,
Abstract要約: 本結果より, 定常分布から得られたサンプルからSDEパラメータを一意に回収するための最初の証明可能なバウンダリが得られた。合成データにおける真のパラメータの回復を実験的に検証し、理論的結果から動機付け、学習可能なアクティベーション関数を用いたパラメータ化の利点を実証する。
参考スコア（独自算出の注目度）: 4.249842620609683
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We study identifiability of stochastic differential equation (SDE) models under multiple interventions. Our results give the first provable bounds for unique recovery of SDE parameters given samples from their stationary distributions. We give tight bounds on the number of necessary interventions for linear SDEs, and upper bounds for nonlinear SDEs in the small noise regime. We experimentally validate the recovery of true parameters in synthetic data, and motivated by our theoretical results, demonstrate the advantage of parameterizations with learnable activation functions.
Abstract（参考訳）: 確率微分方程式(SDE)モデルの複数の介入下での同定可能性について検討する。本結果より, 定常分布から得られたサンプルからSDEパラメータを一意に回収するための最初の証明可能なバウンダリが得られた。我々は、線形SDEに必要な介入数と、小さな雑音状態における非線形SDEの上限について、厳密な境界を与える。合成データにおける真のパラメータの回復を実験的に検証し、理論的結果から動機付け、学習可能なアクティベーション関数を用いたパラメータ化の利点を実証する。

関連論文リスト

SING: SDE Inference via Natural Gradients [0.0]
本稿では,SDE推論を自然勾配(Sing)を用いて提案し,モデルと変分後部の基底幾何学を効率的に活用する。 SINGは、難解な積分を近似し、計算を時間内に並列化することにより、潜在SDEモデルの高速かつ信頼性の高い推論を可能にする。 SINGは、様々なデータセットにおける状態推定とドリフト推定において、先行手法よりも優れていることを示す。
論文参考訳（メタデータ） (2025-06-21T19:36:11Z)
Governing Equation Discovery from Data Based on Differential Invariants [52.2614860099811]
微分不変量に基づく方程式探索のためのパイプラインを提案する。具体的には、対称性群の無限小生成元に対応する微分不変量の集合を計算する。例として、DI-SINDyを例として、PDE発見におけるその成功率と精度が、他の対称性にインフォームドされた支配方程式発見法よりも優れていることを示す。
論文参考訳（メタデータ） (2025-05-24T17:19:02Z)
Foundation Inference Models for Stochastic Differential Equations: A Transformer-based Approach for Zero-shot Function Estimation [3.005912045854039]
本稿では,SDEのドリフトと拡散関数を正確にゼロショットで推定できる変換器を用いた認識モデルであるFIM-SDE(Foundation Inference Model for SDEs)を紹介する。我々は,FIM-SDEと同一(事前訓練)のFIM-SDEが,多種多様な合成および実世界のプロセスにわたって頑健なゼロショット関数推定を実現することを実証した。
論文参考訳（メタデータ） (2025-02-26T11:04:02Z)
Principled model selection for stochastic dynamics [0.0]
PASTISは、確率推定統計と極値理論を組み合わせて超流動パラメータを抑圧する原理的手法である。サンプリング率や測定誤差が低い場合でも、最小限のモデルを確実に識別する。これは偏微分方程式に適用され、生態ネットワークや反応拡散力学にも適用される。
論文参考訳（メタデータ） (2025-01-17T18:23:16Z)
Identifying Drift, Diffusion, and Causal Structure from Temporal Snapshots [10.018568337210876]
APPEXは、時間境界のみから付加雑音SDEのドリフト、拡散、因果グラフを推定するために設計された反復アルゴリズムである。 APPEXはKulback-Leiblerの真の解への分岐を反復的に減少させ,線形付加雑音SDEのシミュレーションデータに対する効果を示す。
論文参考訳（メタデータ） (2024-10-30T06:28:21Z)
Diffusion models as probabilistic neural operators for recovering unobserved states of dynamical systems [49.2319247825857]
拡散に基づく生成モデルは、ニューラル演算子に好適な多くの特性を示す。本稿では,複数のタスクに適応可能な単一モデルを,トレーニング中のタスク間で交互に学習することを提案する。
論文参考訳（メタデータ） (2024-05-11T21:23:55Z)
Generator Identification for Linear SDEs with Additive and Multiplicative Noise [48.437815378088466]
同定可能性条件は線形SDEを用いた因果推論において重要である。付加雑音を伴う線形SDEの生成元を特定するのに十分かつ必要な条件を導出する。導出された識別可能性条件を幾何学的に解釈して理解を深める。
論文参考訳（メタデータ） (2023-10-30T12:28:53Z)
SA-Solver: Stochastic Adams Solver for Fast Sampling of Diffusion Models [63.49229402384349]
拡散確率モデル(DPM)は生成タスクでかなりの成功を収めた。 DPM からのサンプリングは、時間を要する拡散 SDE や ODE の解法と等価であるため、改良された微分方程式解法に基づく多数の高速サンプリング手法が提案されている。 SDEを解き、高品質なデータを生成するための効率的な方法である textitSA-r を提案する。
論文参考訳（メタデータ） (2023-09-10T12:44:54Z)
Latent SDEs on Homogeneous Spaces [9.361372513858043]
偏微分方程式(SDE)の解によって観測された幾何学的過程が支配される潜在変数モデルにおける変分ベイズ推論の問題を考察する。実験により,提案型の潜伏SDEを既存の一段階のオイラー・丸山スキームを用いて効率的に学習できることが示されている。
論文参考訳（メタデータ） (2023-06-28T14:18:52Z)
A Neural RDE-based model for solving path-dependent PDEs [5.6293920097580665]
経路依存偏微分方程式(PPDE)の概念は、金融市場における経路依存偏微分の文脈で最初に導入された。古典的な PDE と比較して、PPDE の解は無限次元空間変数を含む。本稿では,PPDEを学習するための大まかなニューラル微分方程式(NRDE)に基づくモデルを提案する。
論文参考訳（メタデータ） (2023-06-01T20:19:41Z)
A Geometric Perspective on Diffusion Models [57.27857591493788]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文参考訳（メタデータ） (2023-05-31T15:33:16Z)
Learning differentiable solvers for systems with hard constraints [48.54197776363251]
ニューラルネットワーク(NN)によって定義される関数に対する偏微分方程式(PDE)制約を強制する実践的手法を提案する。我々は、任意のNNアーキテクチャに組み込むことができる微分可能なPDE制約層を開発した。その結果、NNアーキテクチャに直接ハード制約を組み込むことで、制約のない目的のトレーニングに比べてテストエラーがはるかに少ないことがわかった。
論文参考訳（メタデータ） (2022-07-18T15:11:43Z)
Stochastic Normalizing Flows [52.92110730286403]
微分方程式(SDE)を用いた最大推定と変分推論のための正規化フロー(VI)を導入する。粗い経路の理論を用いて、基礎となるブラウン運動は潜在変数として扱われ、近似され、神経SDEの効率的な訓練を可能にする。これらのSDEは、与えられたデータセットの基盤となる分布からサンプリングする効率的なチェーンを構築するために使用することができる。
論文参考訳（メタデータ） (2020-02-21T20:47:55Z)

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。