論文の概要: Measuring Sample Quality with Copula Discrepancies
- arxiv url: http://arxiv.org/abs/2507.21434v1
- Date: Tue, 29 Jul 2025 02:11:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-30 17:08:55.550025
- Title: Measuring Sample Quality with Copula Discrepancies
- Title(参考訳): Copula Disrepancies によるサンプル品質の測定
- Authors: Agnideep Aich, Ashit Baran Aich, Bruce Wade,
- Abstract要約: Copula Discrepancy (CD) は、依存構造に対する原理的かつ計算学的に効率的な診断である。
我々の理論的枠組みは、近似推論の時代に特化して設計された最初の構造認識診断を提供する。
計算オーバーヘッドのオーバヘッドは、既存のスタインの差よりも桁違いに低いため、CDはMCMC実践者にとって即時的な実用価値と、次世代の構造を意識したサンプル品質評価の理論的基礎の両方を提供する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The scalable Markov chain Monte Carlo (MCMC) algorithms that underpin modern Bayesian machine learning, such as Stochastic Gradient Langevin Dynamics (SGLD), sacrifice asymptotic exactness for computational speed, creating a critical diagnostic gap: traditional sample quality measures fail catastrophically when applied to biased samplers. While powerful Stein-based diagnostics can detect distributional mismatches, they provide no direct assessment of dependence structure, often the primary inferential target in multivariate problems. We introduce the Copula Discrepancy (CD), a principled and computationally efficient diagnostic that leverages Sklar's theorem to isolate and quantify the fidelity of a sample's dependence structure independent of its marginals. Our theoretical framework provides the first structure-aware diagnostic specifically designed for the era of approximate inference. Empirically, we demonstrate that a moment-based CD dramatically outperforms standard diagnostics like effective sample size for hyperparameter selection in biased MCMC, correctly identifying optimal configurations where traditional methods fail. Furthermore, our robust MLE-based variant can detect subtle but critical mismatches in tail dependence that remain invisible to rank correlation-based approaches, distinguishing between samples with identical Kendall's tau but fundamentally different extreme-event behavior. With computational overhead orders of magnitude lower than existing Stein discrepancies, the CD provides both immediate practical value for MCMC practitioners and a theoretical foundation for the next generation of structure-aware sample quality assessment.
- Abstract(参考訳): Stochastic Gradient Langevin Dynamics (SGLD)のような現代のベイズ機械学習を支えるスケーラブルなマルコフ連鎖モンテカルロ(MCMC)アルゴリズムは、計算速度の漸近的正確性を犠牲にし、重要な診断ギャップを生み出している。
強力なスタインベースの診断は分布ミスマッチを検出できるが、多変量問題における主要な推論対象である依存構造の直接的な評価は提供されない。
我々は、スカラーの定理を利用してサンプルの依存構造をその辺縁から独立して分離し定量化する、原理的かつ計算的に効率的な診断法であるCopula Discrepancy (CD)を導入する。
我々の理論的枠組みは、近似推論の時代に特化して設計された最初の構造認識診断を提供する。
経験的に、モーメントベースのCDは、バイアスドMCMCにおける高パラメータ選択のための効果的なサンプルサイズなどの標準診断を劇的に上回り、従来の手法が失敗する最適な構成を正しく特定することを示した。
さらに、我々の頑健なMLEベースの変種は、ケンドールのタウと同一であるが、基本的に異なる極端な振る舞いのサンプルを区別することで、相関ベースのアプローチでは見えない尾の依存の微妙だが批判的なミスマッチを検出することができる。
計算オーバーヘッドのオーバヘッドは、既存のスタインの差よりも桁違いに低いため、CDはMCMC実践者にとって即時的な実用価値と、次世代の構造を意識したサンプル品質評価の理論的基礎の両方を提供する。
関連論文リスト
- Uncertainty quantification for Markov chains with application to temporal difference learning [63.49764856675643]
マルコフ連鎖のベクトル値および行列値関数に対する新しい高次元濃度不等式とベリー・エッシー境界を開発する。
我々は、強化学習における政策評価に広く用いられているTD学習アルゴリズムを解析する。
論文 参考訳(メタデータ) (2025-02-19T15:33:55Z) - Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。
第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。
第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
論文 参考訳(メタデータ) (2025-02-11T19:24:09Z) - On sample complexity of conditional independence testing with Von Mises
estimator with application to causal discovery [21.12645737093305]
条件付き独立テストは制約に基づく因果探索アルゴリズムにおいて不可欠なステップである。
我々は、最適パラメトリックレートを達成するVM-CIと呼ばれる推定器に基づいて、条件独立性の試験を設計する。
VM-CIは、時間またはサンプルの複雑さの観点から、他の一般的なCIテストよりも優れていることを実証的に示します。
論文 参考訳(メタデータ) (2023-10-20T14:52:25Z) - A Targeted Accuracy Diagnostic for Variational Approximations [8.969208467611896]
変分推論(VI)はマルコフ・チェイン・モンテカルロ(MCMC)の魅力的な代替品である
既存の方法は、全変分分布の品質を特徴付ける。
配電近似精度(TADDAA)のためのTArgeted診断法を提案する。
論文 参考訳(メタデータ) (2023-02-24T02:50:18Z) - Controlling Moments with Kernel Stein Discrepancies [74.82363458321939]
Kernel Steindisrepancies (KSD) は分布近似の品質を測定する。
まず、弱収束制御に使用される標準KSDがモーメント収束制御に失敗することを示す。
次に、代替拡散KSDがモーメントと弱収束の両方を制御できる十分な条件を提供する。
論文 参考訳(メタデータ) (2022-11-10T08:24:52Z) - Reframed GES with a Neural Conditional Dependence Measure [20.47061693587848]
Wevisit the Greedy Equivalence Search (GES) algorithm, which is known as a score-based algorithm for learn the Markov equivalence class (MEC)。
本稿では,GESアルゴリズムの再フレーミングについて述べる。
本稿では,ディープニューラルネットワークの表現力を利用したニューラル条件依存尺度を提案する。
論文 参考訳(メタデータ) (2022-06-17T03:29:08Z) - High-dimensional Inference and FDR Control for Simulated Markov Random
Fields [1.9458156037869137]
本稿では,高次元環境におけるマルコフ確率場に対する統計的推測について検討する。
弾性ネット正規化を用いた最大チェインモンテカルロ類似度推定法を提案する。
論文 参考訳(メタデータ) (2022-02-11T13:49:08Z) - Minimax Quasi-Bayesian estimation in sparse canonical correlation
analysis via a Rayleigh quotient function [1.0878040851638]
スパース標準ベクトルに対する既存の速度-最適推定器は計算コストが高い。
本稿では,最小推定率を達成する準ベイズ推定手法を提案する。
提案手法を用いて臨床変数とプロテオミクスデータを最大に相関させ,Covid-19 病の理解を深める。
論文 参考訳(メタデータ) (2020-10-16T21:00:57Z)
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。