論文の概要: Stick-Breaking Mixture Normalizing Flows with Component-Wise Tail Adaptation for Variational Inference

• arxiv url: http://arxiv.org/abs/2510.07965v1
• Date: Thu, 09 Oct 2025 08:57:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.971784
• Title: Stick-Breaking Mixture Normalizing Flows with Component-Wise Tail Adaptation for Variational Inference
• Title（参考訳）: 変分推論のためのコンポーネントワイズタイル適応によるスティック-ブレーキング混合流れの正規化
• Authors: Seungsu Han, Juyoung Hwang, Won Chang,
• Abstract要約: 後部近似のためのコンポーネントワイドテール適応(StiCTAF)を用いたスティック破断混合ベースを提案する。 人工後部実験は、ベンチマークモデルと比較して、尾部回復の改善と複数モードのカバレッジの向上を実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Normalizing flows with a Gaussian base provide a computationally efficient way to approximate posterior distributions in Bayesian inference, but they often struggle to capture complex posteriors with multimodality and heavy tails. We propose a stick-breaking mixture base with component-wise tail adaptation (StiCTAF) for posterior approximation. The method first learns a flexible mixture base to mitigate the mode-seeking bias of reverse KL divergence through a weighted average of component-wise ELBOs. It then estimates local tail indices of unnormalized densities and finally refines each mixture component using a shared backbone combined with component-specific tail transforms calibrated by the estimated indices. This design enables accurate mode coverage and anisotropic tail modeling while retaining exact density evaluation and stable optimization. Experiments on synthetic posteriors demonstrate improved tail recovery and better coverage of multiple modes compared to benchmark models. We also present a real-data analysis illustrating the practical benefits of our approach for posterior inference.
• Abstract（参考訳）: ガウス基底を持つ正規化フローは、ベイズ推定における後続分布を近似する計算学的に効率的な方法を提供するが、多様性や重い尾を持つ複素後続を捉えるのにしばしば苦労する。 後部近似のためのコンポーネントワイドテール適応(StiCTAF)を用いたスティック破断混合ベースを提案する。 まず、フレキシブルな混合塩基を学習し、逆KL分岐のモード探索バイアスを、コンポーネントワイドELBOの重み付き平均で緩和する。 その後、非正規化密度の局所テール指数を推定し、最終的に、各混合成分を、推定された指標によって調整されたコンポーネント固有のテール変換と組み合わせて、共有バックボーンを用いて洗練する。 この設計は、正確な密度評価と安定した最適化を維持しつつ、正確なモードカバレッジと異方性テールモデリングを可能にする。 人工後部実験は、ベンチマークモデルと比較して、尾部回復の改善と複数モードのカバレッジの向上を実証した。 また,本手法が後部推論に有効であることを示す実データ解析も提案する。

関連論文リスト

• 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)
• Entropy-MCMC: Sampling from Flat Basins with Ease [10.764160559530849]
  我々は, シャープモードから解放された円滑な後円板に類似した定常分布である補助誘導変数を導入し, MCMC試料を平らな盆地に導出する。 この導出変数をモデルパラメータと統合することにより、計算オーバーヘッドを最小限に抑えた効率的なサンプリングを可能にする、単純なジョイント分布を作成する。 実験により,提案手法は後方の平らな盆地から試料を採取し,比較したベースラインを複数ベンチマークで比較した。
  論文  参考訳（メタデータ） (2023-10-09T04:40:20Z)
• Ensemble Modeling for Multimodal Visual Action Recognition [50.38638300332429]
  マルチモーダル動作認識のためのアンサンブルモデリング手法を提案する。 我々は,MECCANO[21]データセットの長期分布を処理するために,焦点損失の変種を用いて,個別のモダリティモデルを個別に訓練する。
  論文  参考訳（メタデータ） (2023-08-10T08:43:20Z)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)
• Fat-Tailed Variational Inference with Anisotropic Tail Adaptive Flows [53.32246823168763]
  脂肪尾密度は、一般に、ロバストモデルとスケール混合における後縁および辺縁分布として生じる。 我々はまず、尾が尾崩壊の速度にどのように影響するかを定量化することで、リプシッツフローの尾に関する以前の理論を改善した。 次に、テール異方性に敏感なテールパラメータの代替理論を開発する。
  論文  参考訳（メタデータ） (2022-05-16T18:03:41Z)
• Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
  異種データセットから学習した後続分布を融合する手法を提案する。 我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
  論文  参考訳（メタデータ） (2020-07-13T03:27:45Z)

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。