論文の概要: CINDES: Classification induced neural density estimator and simulator

• arxiv url: http://arxiv.org/abs/2510.00367v1
• Date: Wed, 01 Oct 2025 00:21:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.299848
• Title: CINDES: Classification induced neural density estimator and simulator
• Title（参考訳）: CINDES: 分類誘導型神経密度推定器とシミュレータ
• Authors: Dehao Dai, Jianqing Fan, Yihong Gu, Debarghya Mukherjee,
• Abstract要約: 本稿では, 実装が容易で適応性の高い構造に依存しないニューラル密度推定器を提案する。 提案した推定器は自然に生成型サンプリングパイプラインに統合されることを示す。 我々は、広範囲なシミュレーションと実データアプリケーションを通して、その性能を検証する。
• 参考スコア（独自算出の注目度）: 12.535369125849302
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural network-based methods for (un)conditional density estimation have recently gained substantial attention, as various neural density estimators have outperformed classical approaches in real-data experiments. Despite these empirical successes, implementation can be challenging due to the need to ensure non-negativity and unit-mass constraints, and theoretical understanding remains limited. In particular, it is unclear whether such estimators can adaptively achieve faster convergence rates when the underlying density exhibits a low-dimensional structure. This paper addresses these gaps by proposing a structure-agnostic neural density estimator that is (i) straightforward to implement and (ii) provably adaptive, attaining faster rates when the true density admits a low-dimensional composition structure. Another key contribution of our work is to show that the proposed estimator integrates naturally into generative sampling pipelines, most notably score-based diffusion models, where it achieves provably faster convergence when the underlying density is structured. We validate its performance through extensive simulations and a real-data application.
• Abstract（参考訳）: ニューラルネットワークを用いた非条件密度推定手法が近年注目され、様々なニューラルネットワーク密度推定器が実データ実験において古典的アプローチより優れている。 これらの経験的な成功にもかかわらず、非負性や単位質量の制約を確実にする必要があるため、実装は困難であり、理論的な理解は依然として限られている。 特に、下層の密度が低次元構造を示す場合、そのような推定器が高速収束率を適応的に達成できるかどうかは不明である。 本稿では, 構造に依存しないニューラル密度推定器を提案することによって, これらのギャップに対処する。 (i)実装が簡単で、かつ (ii) 実密度が低次元の組成構造を持つ場合, より高速に適応する。 我々の研究の重要な貢献は、提案した推定器が生成的なサンプリングパイプライン、特にスコアベース拡散モデルに自然に統合されることである。 我々は、広範囲なシミュレーションと実データアプリケーションを通して、その性能を検証する。

関連論文リスト

• Learning Overspecified Gaussian Mixtures Exponentially Fast with the EM Algorithm [5.625796693054093]
  過特定ガウス混合モデルに適用した場合のEMアルゴリズムの収束特性について検討する。 集団EMアルゴリズムはクルバック・リーブラー距離(KL)において指数関数的に高速に収束することを示した。
  論文  参考訳（メタデータ） (2025-06-13T14:57:57Z)
• Nonparametric estimation of a factorizable density using diffusion models [3.5773675235837974]
  本稿では,非パラメトリック密度推定に対する暗黙的なアプローチとして拡散モデルについて検討する。 拡散モデルから構成した暗黙密度推定器は、分解構造に適応し、最小値の最適速度を達成することを示す。 推定器を構築する際には、疎ウェイトシェアリングニューラルネットワークアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2025-01-03T12:32:19Z)
• Statistical Convergence Rates of Optimal Transport Map Estimation between General Distributions [8.326725299573754]
  本研究の目的は,OTマップ推定の範囲を広げ,理論と実践のギャップを埋めることである。 本稿では,Brenierのポテンシャルに対する強い凸性仮定を伴わずに,Sieveプラグイン推定器を導入し,収束率を確立する。 また,ニューラルネットワークを用いたOTマップ推定を効率的に解くために,スケーラブルなアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-12-11T03:18:17Z)
• Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
  本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。 また、局所的な一貫性の結果に基づいた理論的保証も提供する。 この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
  論文  参考訳（メタデータ） (2022-11-17T15:48:06Z)
• Quantum Adaptive Fourier Features for Neural Density Estimation [0.0]
  本稿では,カーネル密度推定の一種とみなすニューラル密度推定法を提案する。 この方法は密度行列、量子力学で使われる形式主義、適応フーリエ特徴に基づいている。 本手法は, 異なる合成および実データを用いて評価し, その性能を最先端のニューラル密度推定法と比較した。
  論文  参考訳（メタデータ） (2022-08-01T01:39:11Z)
• Comparative Analysis of Interval Reachability for Robust Implicit and Feedforward Neural Networks [64.23331120621118]
  我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。 INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。 提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
  論文  参考訳（メタデータ） (2022-04-01T03:31:27Z)
• Density-Based Clustering with Kernel Diffusion [59.4179549482505]
  単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。 局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
  論文  参考訳（メタデータ） (2021-10-11T09:00:33Z)
• Imitation with Neural Density Models [98.34503611309256]
  本稿では,Imitation Occupancy Entropy Reinforcement Learning (RL) を報奨として,専門家の占有率の密度推定によるImitation Learning (IL) の新しい枠組みを提案する。 提案手法は,専門家の占有率と模倣者の占有率の逆Kulback-Leibler偏差を確実に低くする非逆モデル自由RLの目的を最大化する。
  論文  参考訳（メタデータ） (2020-10-19T19:38:36Z)
• On Deep Instrumental Variables Estimate [21.003925102068298]
  ディープインスツルメンタル変数(IV)は、内在性に対処するディープニューラルネットワークに基づくフレームワークである。 線形インスツルメンタル変数モデルにおいて,ディープニューラルネットワークを用いた2段階推定器について検討する。 2段推定器が半パラメトリック効率境界を達成することを示す。
  論文  参考訳（メタデータ） (2020-04-30T17:03:00Z)

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。