論文の概要: Amortized variational transdimensional inference

• arxiv url: http://arxiv.org/abs/2506.04749v1
• Date: Thu, 05 Jun 2025 08:33:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.60412
• Title: Amortized variational transdimensional inference
• Title（参考訳）: Amortized variational transdimensional inference
• Authors: Laurence Davies, Dan Mackinlay, Rafael Oliveira, Scott A. Sisson,
• Abstract要約: CoSMICは神経自己回帰的条件正規化フローアーキテクチャの拡張である。 そこで本稿では,CoSMICフローの学習のための複合的変分半次元推論(VTI)手法を提案する。
• 参考スコア（独自算出の注目度）: 8.890385058609867
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The expressiveness of flow-based models combined with stochastic variational inference (SVI) has, in recent years, expanded the application of optimization-based Bayesian inference to include problems with complex data relationships. However, until now, SVI using flow-based models has been limited to problems of fixed dimension. We introduce CoSMIC, normalizing flows (COntextually-Specified Masking for Identity-mapped Components), an extension to neural autoregressive conditional normalizing flow architectures that enables using a single amortized variational density for inference over a transdimensional target distribution. We propose a combined stochastic variational transdimensional inference (VTI) approach to training CoSMIC flows using techniques from Bayesian optimization and Monte Carlo gradient estimation. Numerical experiments demonstrate the performance of VTI on challenging problems that scale to high-cardinality model spaces.
• Abstract（参考訳）: 近年、フローベースモデルと確率的変動推論(SVI)を組み合わせることで、最適化ベースのベイズ推論の適用を拡大し、複雑なデータ関係の問題を含むようになった。 しかし、これまでフローベースモデルを用いたSVIは固定次元の問題に限られていた。 CoSMIC, 正規化フロー (Contextual-Specified Masking for Identity-mapped Components) を導入し, 自己回帰的条件付き正規化フローアーキテクチャの拡張を行い, 単一償却変分密度を用いて1次元目標分布上の推論を行う。 ベイジアン最適化とモンテカルロ勾配推定の手法を用いて,CoSMICフローを学習するための確率的変分半次元推論(VTI)を組み合わせた手法を提案する。 数値実験により、心電図モデル空間にスケールする問題に対するVTIの性能が実証された。

関連論文リスト

• Solving Inverse Problems with FLAIR [59.02385492199431]
  フローベースの潜在生成モデルは、驚くべき品質の画像を生成でき、テキスト・ツー・イメージ生成も可能である。 本稿では,フローベース生成モデルを逆問題の前兆として活用する新しい学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Stable Derivative Free Gaussian Mixture Variational Inference for Bayesian Inverse Problems [4.842853252452336]
  主な課題は、フォワードモデルのコストがかかる評価、マルチモーダリティ、フォワードモデルの到達不能勾配である。 我々は,フィッシャー・ラオ自然勾配と特殊二次規則を組み合わせた変分推論フレームワークを開発し,ガウス混合変分族に対する微分自由更新を可能にする。 導関数自由ガウス混合変分推論 (DF-GMVI) と呼ばれるこの手法は共分散陽性とアフィン不変性を保証し、複素後続分布を近似するための安定かつ効率的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-01-08T03:50:15Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Variational Laplace Autoencoders [53.08170674326728]
  変分オートエンコーダは、遅延変数の後部を近似するために、償却推論モデルを用いる。 完全分解ガウス仮定の限定的後部表現性に対処する新しい手法を提案する。 また、深部生成モデルのトレーニングのための変分ラプラスオートエンコーダ(VLAE)という一般的なフレームワークも提示する。
  論文  参考訳（メタデータ） (2022-11-30T18:59:27Z)
• Probabilistic partition of unity networks for high-dimensional regression problems [1.0227479910430863]
  我々は高次元回帰問題におけるユニタリネットワーク(PPOU-Net)モデルの分割について検討する。 本稿では適応次元の減少に着目した一般的な枠組みを提案する。 PPOU-Netsは、数値実験において、同等の大きさのベースライン完全接続ニューラルネットワークを一貫して上回っている。
  論文  参考訳（メタデータ） (2022-10-06T06:01:36Z)
• Jointly Modeling and Clustering Tensors in High Dimensions [6.072664839782975]
  テンソルの合同ベンチマークとクラスタリングの問題を考察する。 本稿では,統計的精度の高い近傍に幾何的に収束する効率的な高速最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-04-15T21:06:16Z)

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。