論文の概要: TENDE: Transfer Entropy Neural Diffusion Estimation

• arxiv url: http://arxiv.org/abs/2510.14096v1
• Date: Wed, 15 Oct 2025 21:08:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.618623
• Title: TENDE: Transfer Entropy Neural Diffusion Estimation
• Title（参考訳）: TENDE:Transfer Entropy Neural Diffusion Estimation
• Authors: Simon Pedro Galeano Munoz, Mustapha Bounoua, Giulio Franzese, Pietro Michiardi, Maurizio Filippone,
• Abstract要約: 本研究では,条件付き相互情報を用いた転送エントロピー推定手法であるTENDE(Transfer Entropy Neural Diffusion Estimation)を提案する。 既存のニューラルネットワーク推定器や、合成ベンチマークや実データにまたがる最先端のアプローチと比較して、精度と堅牢性は優れています。
• 参考スコア（独自算出の注目度）: 18.25314945977125
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transfer entropy measures directed information flow in time series, and it has become a fundamental quantity in applications spanning neuroscience, finance, and complex systems analysis. However, existing estimation methods suffer from the curse of dimensionality, require restrictive distributional assumptions, or need exponentially large datasets for reliable convergence. We address these limitations in the literature by proposing TENDE (Transfer Entropy Neural Diffusion Estimation), a novel approach that leverages score-based diffusion models to estimate transfer entropy through conditional mutual information. By learning score functions of the relevant conditional distributions, TENDE provides flexible, scalable estimation while making minimal assumptions about the underlying data-generating process. We demonstrate superior accuracy and robustness compared to existing neural estimators and other state-of-the-art approaches across synthetic benchmarks and real data.
• Abstract（参考訳）: 転送エントロピーは時系列で情報の流れを誘導し、神経科学、ファイナンス、複雑なシステム分析にまたがる応用において、基本的な量となっている。 しかし、既存の推定手法は次元の呪いに悩まされ、限定的な分布仮定を必要とするか、あるいは信頼性のある収束のために指数関数的に大きなデータセットを必要とする。 本稿では,TENDE(Transfer Entropy Neural Diffusion Estimation)を提案することで,これらの制約に対処する。 関連する条件分布のスコア関数を学習することにより、TENDEは、基礎となるデータ生成プロセスについて最小限の仮定をしながら、柔軟でスケーラブルな推定を提供する。 既存のニューラルネットワーク推定器や、合成ベンチマークや実データにまたがる最先端のアプローチと比較して、精度と堅牢性は優れています。

関連論文リスト

• Provable Maximum Entropy Manifold Exploration via Diffusion Models [58.89696361871563]
  探索は科学的な発見のような現実世界の意思決定問題を解決するために重要である。 本稿では,事前学習した拡散モデルにより暗黙的に定義された近似データ多様体に対して,探索をエントロピーとしてキャストする新しいフレームワークを提案する。 本研究では,事前学習した拡散モデルの逐次微調整として探索問題を解くミラー降下に基づくアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2025-06-18T11:59:15Z)
• INFO-SEDD: Continuous Time Markov Chains as Scalable Information Metrics Estimators [7.399561232927219]
  INFO-SEDDは、相互情報やエントロピーを含む離散データの情報理論量の推定方法である。 提案手法では,1つのパラメトリックモデルのトレーニングが必要である。 実験の結果、INFO-SEDDは堅牢であり、埋め込み技術に依存しているニューラルコンペティターよりも優れていた。
  論文  参考訳（メタデータ） (2025-02-26T14:40:00Z)
• Model Free Prediction with Uncertainty Assessment [7.524024486998338]
  そこで本研究では,深部推定パラダイムを条件付き平均推定を行うプラットフォームに変換する新しいフレームワークを提案する。 本研究では, 条件付き拡散モデルに対する終端収束率を開発し, 生成した試料の正規性を確立する。 数値実験により,提案手法の有効性を実証的に検証した。
  論文  参考訳（メタデータ） (2024-05-21T11:19:50Z)
• Unveil Conditional Diffusion Models with Classifier-free Guidance: A Sharp Statistical Theory [87.00653989457834]
  条件付き拡散モデルは現代の画像合成の基礎となり、計算生物学や強化学習などの分野に広く応用されている。 経験的成功にもかかわらず、条件拡散モデルの理論はほとんど欠落している。 本稿では,条件拡散モデルを用いた分布推定の急激な統計的理論を提示することにより,ギャップを埋める。
  論文  参考訳（メタデータ） (2024-03-18T17:08:24Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• REMEDI: Corrective Transformations for Improved Neural Entropy Estimation [0.7488108981865708]
  我々は微分エントロピーの効率的かつ正確な推定のために$textttREMEDI$を紹介した。 提案手法は,幅広い推定課題にまたがる改善を実証する。 自然に情報理論による教師あり学習モデルに拡張することができる。
  論文  参考訳（メタデータ） (2024-02-08T14:47:37Z)
• Score Approximation, Estimation and Distribution Recovery of Diffusion Models on Low-Dimensional Data [68.62134204367668]
  本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。 適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。 推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
  論文  参考訳（メタデータ） (2023-02-14T17:02:35Z)
• 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)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。