Fugu-MT 論文翻訳(概要): Generative Flexible Latent Structure Regression (GFLSR) model

論文の概要: Generative Flexible Latent Structure Regression (GFLSR) model

arxiv url: http://arxiv.org/abs/2508.04393v1
Date: Wed, 06 Aug 2025 12:37:45 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-07 20:09:22.713228
Title: Generative Flexible Latent Structure Regression (GFLSR) model
Title（参考訳）: ジェネレーティブフレキシブル潜在構造回帰(GFLSR)モデル
Authors: Clara Grazian, Qian Jin, Pierre Lafaye De Micheaux,
Abstract要約: 本稿では, この問題を解決するために, GFLSR(Generative Flexible Latent Structure Regression)モデル構造を提案する。本稿では,ほとんどの線形連続潜時変数法が提案したフレームワークで表現可能であることを示す。モデル構造では、パラメータと潜伏変数の収束を解析する。
参考スコア（独自算出の注目度）: 0.5586073503694489
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Latent structure methods, specifically linear continuous latent structure methods, are a type of fundamental statistical learning strategy. They are widely used for dimension reduction, regression and prediction, in the fields of chemometrics, economics, social science and etc. However, due to the lack of model inference, generative form, and unidentifiable parameters, most of these methods are always used as an algorithm, instead of a model. This paper proposed a Generative Flexible Latent Structure Regression (GFLSR) model structure to address this problem. Moreover, we show that most linear continuous latent variable methods can be represented under the proposed framework. The recursive structure allows potential model inference and residual analysis. Then, the traditional Partial Least Squares (PLS) is focused; we show that the PLS can be specialised in the proposed model structure, named Generative-PLS. With a model structure, we analyse the convergence of the parameters and the latent variables. Under additional distribution assumptions, we show that the proposed model structure can lead to model inference without solving the probabilistic model. Additionally, we proposed a novel bootstrap algorithm that enables uncertainty on parameters and on prediction for new datasets. A simulation study and a Real-world dataset are used to verify the proposed Generative-PLS model structure. Although the traditional PLS is a special case, this proposed GFLSRM structure leads to a potential inference structure for all the linear continuous latent variable methods.
Abstract（参考訳）: 潜在構造法、特に線形連続潜在構造法は、基本的な統計的学習戦略の一種である。これらは、化学、経済学、社会科学などの分野において、次元の縮小、回帰、予測に広く用いられている。しかし、モデル推論、生成形式、同定不可能なパラメータが欠如しているため、これらの手法のほとんどはモデルではなくアルゴリズムとして常に使われている。本稿では,この問題に対処する生成フレキシブル潜在構造回帰(GFLSR)モデル構造を提案する。さらに,ほとんどの線形連続潜伏変数法は,提案したフレームワークで表現可能であることを示す。再帰構造はポテンシャルモデル推論と残留解析を可能にする。次に,従来のPLS (Partial Least Squares) に着目し,PLS は生成PLS (Generative-PLS) と呼ばれるモデル構造に特化可能であることを示す。モデル構造を用いてパラメータと潜伏変数の収束を解析する。さらなる分布仮定の下では、モデル構造が確率論的モデルを解くことなくモデル推論を導出できることが示される。さらに,パラメータの不確実性や新しいデータセットの予測が可能なブートストラップアルゴリズムを提案する。シミュレーション研究と実世界のデータセットを用いて,提案した生成PLSモデル構造を検証する。従来のPLSは特別な場合であるが、この提案されたGFLSRM構造は、線形連続潜伏変数のすべてのメソッドに対するポテンシャル推論構造をもたらす。

関連論文リスト

Learning Decision Trees as Amortized Structure Inference [59.65621207449269]
本稿では,予測決定木アンサンブルを学習するためのハイブリッドアモータイズされた構造推論手法を提案する。提案手法であるDT-GFNは,標準分類ベンチマークにおける最先端決定木やディープラーニング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） (2025-03-10T07:05:07Z)
Geometric Neural Process Fields [58.77241763774756]
幾何学的ニューラル・プロセス・フィールド(Geometric Neural Process Fields, G-NPF)は、ニューラル・ラディアンス・フィールドの確率的フレームワークである。これらの基盤の上に構築された階層型潜在変数モデルにより、G-NPFは複数の空間レベルにまたがる構造情報を統合できる。 3次元シーンと2次元画像と1次元信号レグレッションの新規ビュー合成実験により,本手法の有効性を実証した。
論文参考訳（メタデータ） (2025-02-04T14:17:18Z)
Model-free Estimation of Latent Structure via Multiscale Nonparametric Maximum Likelihood [13.175343048302697]
そこで我々は,そのような潜在構造がいつでも存在すると仮定することなく,その存在を推定するためのモデルフリーな手法を提案する。アプリケーションとして,提案手法に基づくクラスタリングアルゴリズムを設計し,広範囲の潜伏構造を捕捉する手法の有効性を実証する。
論文参考訳（メタデータ） (2024-10-29T17:11:33Z)
Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-10-02T04:01:38Z)
Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
論文参考訳（メタデータ） (2024-09-05T18:14:22Z)
Bayesian learning of Causal Structure and Mechanisms with GFlowNets and Variational Bayes [51.84122462615402]
本研究では,変分ベイズ-DAG-GFlowNetを用いて因果モデルの構造と機構を学習する手法を提案する。我々は,GFlowNetを用いたベイズ因果構造学習の手法を拡張し,線形ガウスモデルのパラメータを学習する。
論文参考訳（メタデータ） (2022-11-04T21:57:39Z)
On generative models as the basis for digital twins [0.0]
デジタルツインや構造鏡の基礎として、生成モデルのためのフレームワークが提案されている。この提案は、決定論的モデルは、ほとんどの構造モデリングアプリケーションに存在する不確実性を説明できないという前提に基づいている。
論文参考訳（メタデータ） (2022-03-08T20:34:56Z)
Disentangling Identifiable Features from Noisy Data with Structured Nonlinear ICA [4.340954888479091]
我々は、SNICA(Structured Independent Component Analysis)と呼ばれる原則的絡み合いのための新しい一般化可能なフレームワークを導入する。我々の貢献は、非常に広い階層構造モデルに対する深層生成モデルの識別可能性理論を拡張することである。我々は,未知分布の雑音の存在下でも,このフレームワークの識別可能性が維持可能であるという主要な結果を確立する。
論文参考訳（メタデータ） (2021-06-17T15:56:57Z)
Probabilistic Circuits for Variational Inference in Discrete Graphical Models [101.28528515775842]
変分法による離散的グラフィカルモデルの推論は困難である。エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。 Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
論文参考訳（メタデータ） (2020-10-22T05:04:38Z)
Control as Hybrid Inference [62.997667081978825]
本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
論文参考訳（メタデータ） (2020-07-11T19:44:09Z)
A Complete Characterization of Projectivity for Statistical Relational Models [20.833623839057097]
本稿では,射影関係モデルのクラスを正確に対応付ける,有向潜在変数モデルのクラスを導入する。また、与えられた大きさ-$k$構造上の分布が、より大きい大きさ-$n$構造における大きさ-$k$部分構造の統計周波数分布であるときの特性も得られる。
論文参考訳（メタデータ） (2020-04-23T05:58:27Z)
A Tree Adjoining Grammar Representation for Models Of Stochastic Dynamical Systems [19.0709328061569]
モデル構造と複雑性を推定するための木結合文法(TAG)を提案する。 TAGは、望ましい構造的制約を課しながら、進化的アルゴリズム(EA)フレームワークでモデルを生成するために使用できる。我々は,TAGを非線形Box-Jenkinsモデルクラスなど,より一般的なモデルクラスに容易に拡張できることを実証した。
論文参考訳（メタデータ） (2020-01-15T13:35:19Z)

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。