論文の概要: A note on simulation methods for the Dirichlet-Laplace prior
- arxiv url: http://arxiv.org/abs/2508.11982v1
- Date: Sat, 16 Aug 2025 08:44:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-19 14:49:10.497081
- Title: A note on simulation methods for the Dirichlet-Laplace prior
- Title（参考訳）: ディリクレ・ラプラス前駆体シミュレーション法に関する一考察
- Authors: Luis Gruber, Gregor Kastner, Anirban Bhattacharya, Debdeep Pati, Natesh Pillai, David Dunson,
- Abstract要約: 元のアルゴリズムは条件分布から間違った順序でサンプリングし、すなわち全ての潜伏変数の共役後続分布から正しくサンプリングしない。
このコリゲンダムは、バッタチャリヤらの理論的な結果には影響しない。
- 参考スコア（独自算出の注目度）: 5.121623067511554
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bhattacharya et al. (2015, Journal of the American Statistical Association 110(512): 1479-1490) introduce a novel prior, the Dirichlet-Laplace (DL) prior, and propose a Markov chain Monte Carlo (MCMC) method to simulate posterior draws under this prior in a conditionally Gaussian setting. The original algorithm samples from conditional distributions in the wrong order, i.e., it does not correctly sample from the joint posterior distribution of all latent variables. This note details the issue and provides two simple solutions: A correction to the original algorithm and a new algorithm based on an alternative, yet equivalent, formulation of the prior. This corrigendum does not affect the theoretical results in Bhattacharya et al. (2015).
- Abstract（参考訳）: Bhattacharya et al (2015, Journal of the American Statistical Association 110(512): 1479-1490) は、ディリクレ・ラプラス (DL) 以前の小説を紹介し、マルコフ連鎖モンテカルロ (MCMC) 法を提案した。
元のアルゴリズムは条件分布から間違った順序でサンプリングし、すなわち全ての潜伏変数の共役後続分布から正しくサンプリングしない。
このノートはこの問題を詳述し、2つの簡単な解を提供する: 元のアルゴリズムの修正と、前者の代替的だが等価な定式化に基づく新しいアルゴリズムである。
Bhattacharya et al (2015) の理論的結果には影響しない。
関連論文リスト
- A Polynomial-time Algorithm for Online Sparse Linear Regression with Improved Regret Bound under Weaker Conditions [75.69959433669244]
オンラインスパース線形回帰(OSLR)では,予測のために1インスタンスあたり$d$あたり$k$しかアクセスできない。
提案手法では, 過去の後悔点を大幅に改善する拡張時間アルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-10-31T05:02:33Z) - EM Approaches to Nonparametric Estimation for Mixture of Linear Regressions [0.21485350418225238]
線形回帰モデルの混合では、回帰係数は連続分布または離散分布のいずれかに従うランダムベクトルとして扱われる。
予測最大化(EM)アルゴリズムを2つ提案し,それ以前の分布を推定する。
論文 参考訳（メタデータ） (2025-10-16T17:10:03Z) - Optimal Algorithms in Linear Regression under Covariate Shift: On the Importance of Precondition [7.300356389675634]
現代の統計的学習における一般的な追求は、ソースデータ分布から満足のいく一般化を得ることである。
本稿では,基底真理変数を楕円形制約に限定した基礎的(高次元)線形回帰について検討する。
論文 参考訳（メタデータ） (2025-02-13T08:02:15Z) - Online Posterior Sampling with a Diffusion Prior [20.24212000441531]
ガウス事前の文脈的包帯における後方サンプリングは、ラプラス近似を用いて正確にあるいはほぼ実施することができる。
そこで本研究では,拡散モデルを用いた文脈帯域に対する近似的な後方サンプリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-04T20:47:16Z) - Variance-Dependent Regret Bounds for Non-stationary Linear Bandits [52.872628573907434]
報酬分布の分散と$B_K$の分散を利用するアルゴリズムを提案する。
Restarted Weighted$textOFUL+$とRestarted$textSAVE+$の2つの新しいアルゴリズムを紹介します。
特に、V_K$が$K$よりはるかに小さい場合、我々のアルゴリズムは、異なる設定下での非定常線形バンドレットの最先端結果よりも優れている。
論文 参考訳（メタデータ） (2024-03-15T23:36:55Z) - Improving Diffusion Models for Inverse Problems Using Optimal Posterior Covariance [52.093434664236014]
近年の拡散モデルは、特定の逆問題に対して再訓練することなく、ノイズの多い線形逆問題に対する有望なゼロショット解を提供する。
この発見に触発されて、我々は、最大推定値から決定されるより原理化された共分散を用いて、最近の手法を改善することを提案する。
論文 参考訳（メタデータ） (2024-02-03T13:35:39Z) - AdamMCMC: Combining Metropolis Adjusted Langevin with Momentum-based Optimization [0.0]
科学と工学におけるディープニューラルネットワーク手法の適用を考える場合、不確実性推定は重要な問題である。
本稿では,モンテカルロ法を用いて後部分布から不確かさを定量化するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-12-21T16:58:49Z) - Langevin Monte Carlo for Contextual Bandits [72.00524614312002]
Langevin Monte Carlo Thompson Sampling (LMC-TS) が提案されている。
提案アルゴリズムは,文脈的帯域幅の特別な場合において,最高のトンプソンサンプリングアルゴリズムと同じサブ線形残差を達成できることを示す。
論文 参考訳（メタデータ） (2022-06-22T17:58:23Z) - Statistical Inference of Constrained Stochastic Optimization via Sketched Sequential Quadratic Programming [53.63469275932989]
制約付き非線形最適化問題のオンライン統計的推測を考察する。
これらの問題を解決するために、逐次二次計画法(StoSQP)を適用する。
論文 参考訳（メタデータ） (2022-05-27T00:34:03Z) - Non-Gaussian Component Analysis via Lattice Basis Reduction [56.98280399449707]
非ガウス成分分析(NGCA)は分布学習問題である。
我々は,NGCA に対して,$A$ が離散的あるいはほぼ離散的であるような効率的なアルゴリズムを提供する。
論文 参考訳（メタデータ） (2021-12-16T18:38:02Z) - Optimal Randomized First-Order Methods for Least-Squares Problems [56.05635751529922]
このアルゴリズムのクラスは、最小二乗問題に対する最も高速な解法のうち、いくつかのランダム化手法を含んでいる。
我々は2つの古典的埋め込み、すなわちガウス射影とアダマール変換のサブサンプリングに焦点を当てる。
得られたアルゴリズムは条件数に依存しない最小二乗問題の解法として最も複雑である。
論文 参考訳（メタデータ） (2020-02-21T17:45:32Z)
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。