論文の概要: From Partial Exchangeability to Predictive Probability: A Bayesian Perspective on Classification
- arxiv url: http://arxiv.org/abs/2508.16716v1
- Date: Fri, 22 Aug 2025 17:51:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-26 18:43:45.145181
- Title: From Partial Exchangeability to Predictive Probability: A Bayesian Perspective on Classification
- Title（参考訳）: 部分交換可能性から予測確率へ:分類のベイズ的視点
- Authors: Marcio Alves Diniz,
- Abstract要約: 本稿では,遅延関数に先行するガウス過程とリンク関数に先行するディリクレ過程を組み合わせた新しいベイズ非パラメトリック分類モデルを提案する。
標準的なロジスティック回帰よりも優れるシミュレーションデータを用いて,本手法の性能を実証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a novel Bayesian nonparametric classification model that combines a Gaussian process prior for the latent function with a Dirichlet process prior for the link function, extending the interpretative framework of de Finetti representation theorem and the construction of random distribution functions made by Ferguson (1973). This approach allows for flexible uncertainty modeling in both the latent score and the mapping to probabilities. We demonstrate the method performance using simulated data where it outperforms standard logistic regression.
- Abstract（参考訳）: 本稿では,遅延関数に先行するガウス過程とリンク関数に先行するディリクレ過程を組み合わせ,デ・フィネッティの表現定理の解釈的枠組みを拡張し,Ferguson (1973) によるランダム分布関数の構成を拡張した新しいベイズ非パラメトリック分類モデルを提案する。
このアプローチは、潜在スコアと確率へのマッピングの両方において柔軟な不確実性モデリングを可能にする。
標準的なロジスティック回帰よりも優れるシミュレーションデータを用いて,本手法の性能を実証する。
関連論文リスト
- Variational Inference for Latent Variable Models in High Dimensions [4.3012765978447565]
平均場変動推定(MFVI)の統計的精度を定量化するための一般的な枠組みを導入する。
我々は、有名なディリクレ割当てモデルのためのMFVIの「作業」を正確に把握する。
非線形な大きな偏差の枠組みを拡張した証明手法は,他の潜伏変数モデルにおけるMFVIの解析の扉を開く。
論文 参考訳（メタデータ） (2025-06-02T17:19:58Z) - Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。
本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。
我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
論文 参考訳（メタデータ） (2025-05-21T07:16:44Z) - Logistic-beta processes for dependent random probabilities with beta marginals [58.91121576998588]
本稿では,ロジスティック・ベータプロセスと呼ばれる新しいプロセスを提案する。
本稿では,提案したロジスティックベータプロセスを用いて,計算処理可能な非パラメトリックモデルの設計を行う方法について述べる。
論文 参考訳（メタデータ） (2024-02-10T21:41:32Z) - A probabilistic, data-driven closure model for RANS simulations with aleatoric, model uncertainty [1.8416014644193066]
本稿では,レノルズ平均Navier-Stokes (RANS) シミュレーションのためのデータ駆動閉包モデルを提案する。
パラメトリック閉包が不十分な問題領域内の領域を特定するために,完全ベイズ的定式化と余剰誘導先行法を組み合わせて提案する。
論文 参考訳（メタデータ） (2023-07-05T16:53:31Z) - Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。
条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。
提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文 参考訳（メタデータ） (2022-11-30T05:33:29Z) - Continuous and Distribution-free Probabilistic Wind Power Forecasting: A
Conditional Normalizing Flow Approach [1.684864188596015]
条件正規化フロー(CNF)に基づく確率的風力予測のためのデータ駆動型手法を提案する。
既存の手法とは対照的に、このアプローチは(非パラメトリックおよび量子的アプローチのように)分布自由であり、連続確率密度を直接生成することができる。
論文 参考訳（メタデータ） (2022-06-06T08:48:58Z) - Bayesian Discrete Conditional Transformation Models [0.0]
本稿では,応答の条件変換に基づく離散順序数とカウントデータのための新しいベイズモデルフレームワークを提案する。
数え上げ応答に対して、結果の変換モデルはベイズ完全パラメトリックであるが分布自由なアプローチである。
推論は、ジェネリックモジュラー・マルコフ連鎖モンテカルロアルゴリズムによって行われる。
論文 参考訳（メタデータ） (2022-05-17T19:26:43Z) - Wrapped Distributions on homogeneous Riemannian manifolds [58.720142291102135]
パラメータ、対称性、モダリティなどの分布の性質の制御は、フレキシブルな分布の族を生み出す。
変動型オートエンコーダと潜在空間ネットワークモデル内で提案した分布を利用して,我々のアプローチを実証的に検証する。
論文 参考訳（メタデータ） (2022-04-20T21:25:21Z) - Distributional Gradient Boosting Machines [77.34726150561087]
私たちのフレームワークはXGBoostとLightGBMをベースにしています。
我々は,このフレームワークが最先端の予測精度を実現することを示す。
論文 参考訳（メタデータ） (2022-04-02T06:32:19Z)
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。