論文の概要: Score Matching With Missing Data

• arxiv url: http://arxiv.org/abs/2506.00557v1
• Date: Sat, 31 May 2025 13:26:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 01:42:09.200357
• Title: Score Matching With Missing Data
• Title（参考訳）: 欠落データとスコアマッチング
• Authors: Josh Givens, Song Liu, Henry W J Reeve,
• Abstract要約: スコアマッチングは、フレキシブルな設定で欠落したデータを扱うように適応します。 一般的な用途には2つの異なるスコアマッチングのバリエーション、重要重み付け(IW)アプローチ、変分アプローチを提供する。 より複雑な高次元設定において、我々の変分アプローチが最強であることを示します。
• 参考スコア（独自算出の注目度）: 7.9731667982734455
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Score matching is a vital tool for learning the distribution of data with applications across many areas including diffusion processes, energy based modelling, and graphical model estimation. Despite all these applications, little work explores its use when data is incomplete. We address this by adapting score matching (and its major extensions) to work with missing data in a flexible setting where data can be partially missing over any subset of the coordinates. We provide two separate score matching variations for general use, an importance weighting (IW) approach, and a variational approach. We provide finite sample bounds for our IW approach in finite domain settings and show it to have especially strong performance in small sample lower dimensional cases. Complementing this, we show our variational approach to be strongest in more complex high-dimensional settings which we demonstrate on graphical model estimation tasks on both real and simulated data.
• Abstract（参考訳）: スコアマッチングは、拡散過程、エネルギーベースモデリング、グラフィカルモデル推定など、多くの領域にわたるアプリケーションによるデータの分散を学習するための重要なツールである。 これらのアプリケーションにもかかわらず、データが不完全である場合の使い方についてはほとんど研究されていない。 スコアマッチング(およびその主要な拡張)を、座標の任意の部分集合に対してデータが部分的に欠落するフレキシブルな設定で、欠落したデータを扱うようにすることで、この問題に対処する。 一般的な用途には2つの異なるスコアマッチングのバリエーション、重要重み付け(IW)アプローチ、変分アプローチを提供する。 有限領域設定におけるIWアプローチに対する有限サンプル境界を提供し、小サンプル低次元の場合において特に強い性能を示す。 これを補完し、より複雑な高次元設定において、我々の変分アプローチが最強であることを示し、実データとシミュレーションデータの両方におけるグラフィカルモデル推定タスクについて示す。

関連論文リスト

• SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
  我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。 両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。 実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
  論文  参考訳（メタデータ） (2023-04-06T17:36:23Z)
• ScoreMix: A Scalable Augmentation Strategy for Training GANs with Limited Data [93.06336507035486]
  GAN(Generative Adversarial Networks)は通常、限られたトレーニングデータが利用できる場合、過度に適合する。 ScoreMixは、様々な画像合成タスクのための、新しくスケーラブルなデータ拡張手法である。
  論文  参考訳（メタデータ） (2022-10-27T02:55:15Z)
• CHALLENGER: Training with Attribution Maps [63.736435657236505]
  ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。 特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-05-30T13:34:46Z)
• Con$^{2}$DA: Simplifying Semi-supervised Domain Adaptation by Learning Consistent and Contrastive Feature Representations [1.2891210250935146]
  Con$2$DAは、半教師付き学習の最近の進歩を半教師付きドメイン適応問題に拡張するフレームワークである。 我々のフレームワークは、与えられた入力に対してデータ変換を行うことで、関連するサンプルのペアを生成する。 我々は、異なる損失関数を使用して、関連するデータペアのサンプルの特徴表現間の一貫性を強制します。
  論文  参考訳（メタデータ） (2022-04-04T15:05:45Z)
• Reconstruction of Incomplete Wildfire Data using Deep Generative Models [0.0]
  我々は、Missing Data Conditional-Weighted Autocoderen (CMIWAE)と呼ばれる強力な変分オートエンコーダモデルの変種を示す。 我々の深層変数生成モデルは機能エンジニアリングをほとんど必要とせず、必ずしもデータチャレンジのスコアの特異性に依存していません。
  論文  参考訳（メタデータ） (2022-01-16T23:27:31Z)
• Distributed Learning via Filtered Hyperinterpolation on Manifolds [2.2046162792653017]
  本稿では,実数値関数を多様体上で学習する問題について検討する。 大規模なデータセットを扱うという問題に触発され、並列データ処理アプローチが提示される。 学習関数の近似品質と多様体全体の量的関係を証明した。
  論文  参考訳（メタデータ） (2020-07-18T10:05:18Z)

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。