論文の概要: Correlation of divergency: c-delta. Being different in a similar way or not

• arxiv url: http://arxiv.org/abs/2510.16717v1
• Date: Sun, 19 Oct 2025 05:01:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.109772
• Title: Correlation of divergency: c-delta. Being different in a similar way or not
• Title（参考訳）: ダイバージェンシーの相関:c-delta.同様の方法で異なるか、そうでないか
• Authors: Johan F. Hoorn,
• Abstract要約: c-deltaは2つの値群間の内部の発散パターンの類似性を定量化するカスタム統計尺度である。 これは特に、ベンチマーク、クラスタリングの検証、および変数構造の類似性の評価に有用である。
• 参考スコア（独自算出の注目度）: 1.2691047660244335
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper introduces the correlation-of-divergency coefficient, c-delta, a custom statistical measure designed to quantify the similarity of internal divergence patterns between two groups of values. Unlike conventional correlation coefficients such as Pearson or Spearman, which assess the association between paired values, c-delta evaluates whether the way values differ within one group is mirrored in another. The method involves calculating, for each value, its divergence from all other values in its group, and then comparing these patterns across the two groups (e.g., human vs machine intelligence). The coefficient is normalised by the average root mean square divergence within each group, ensuring scale invariance. Potential applications of c-delta span quantum physics, where it can compare the spread of measurement outcomes between quantum systems, as well as fields such as genetics, ecology, psychometrics, manufacturing, machine learning, and social network analysis. The measure is particularly useful for benchmarking, clustering validation, and assessing the similarity of variability structures. While c-delta is not bounded between -1 and 1 and may be sensitive to outliers (but so is PMCC), it offers a new perspective for analysing internal variability and divergence. The article discusses the mathematical formulation, potential adaptations for complex data, and the interpretative considerations relevant to this alternative approach.
• Abstract（参考訳）: 本稿では,2つの値群間の内部分散パターンの類似性を定量化するカスタム統計尺度であるc-deltaを提案する。 ペア値の関連性を評価するPearsonやSpearmanのような従来の相関係数とは異なり、c-deltaは、あるグループ内での値の相違が別のグループでミラーされているかどうかを評価する。 この方法は、それぞれの値について、そのグループの他のすべての値から分岐を計算し、これらのパターンを2つのグループ(例えば、人間と機械の知性)で比較する。 係数は各群の平均平方偏差によって正規化され、スケール不変性が保証される。 c-デルタの潜在的な応用は量子物理学であり、量子システム間の測定結果の拡散と、遺伝学、生態学、心理学、製造、機械学習、ソーシャルネットワーク分析などの分野を比較することができる。 この尺度は特に、ベンチマーク、クラスタリングの検証、および変数構造の類似性の評価に有用である。 c-delta は -1 と 1 の間に有界ではなく、外れ値に敏感である(PMCC もそうである)が、内部変数とばらつきを解析するための新しい視点を提供する。 この記事では、数学的定式化、複素データへの潜在的な適応、およびこの代替手法に関連する解釈的考察について論じる。

関連論文リスト

• Evaluating Representational Similarity Measures from the Lens of Functional Correspondence [3.1883014716361635]
  神経科学と人工知能(AI)はどちらも、高次元のニューラルネットワークの解釈という課題に直面している。 表象比較が広く使われているにもかかわらず、重要な疑問が残る: どの指標がこれらの比較に最も適しているのか?
  論文  参考訳（メタデータ） (2024-11-21T23:53:58Z)
• Applications of flow models to the generation of correlated lattice QCD ensembles [69.18453821764075]
  機械学習された正規化フローは、格子量子場理論の文脈で、異なる作用パラメータで格子ゲージ場の統計的に相関したアンサンブルを生成するために用いられる。 本研究は,これらの相関を可観測物の計算における分散低減に活用する方法を実証する。
  論文  参考訳（メタデータ） (2024-01-19T18:33:52Z)
• TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
  奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。 近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。 1)予測共分散は予測平均のランダム性を真に捉えているか? その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
  論文  参考訳（メタデータ） (2023-10-29T09:54:03Z)
• On the Strong Correlation Between Model Invariance and Generalization [54.812786542023325]
  一般化は、見えないデータを分類するモデルの能力をキャプチャする。 不変性はデータの変換におけるモデル予測の一貫性を測定する。 データセット中心の視点から、あるモデルの精度と不変性は異なるテストセット上で線形に相関している。
  論文  参考訳（メタデータ） (2022-07-14T17:08:25Z)
• Equivariance Discovery by Learned Parameter-Sharing [153.41877129746223]
  データから解釈可能な等価性を発見する方法について検討する。 具体的には、モデルのパラメータ共有方式に対する最適化問題として、この発見プロセスを定式化する。 また,ガウスデータの手法を理論的に解析し,研究された発見スキームとオラクルスキームの間の平均2乗ギャップを限定する。
  論文  参考訳（メタデータ） (2022-04-07T17:59:19Z)
• Kernel distance measures for time series, random fields and other structured data [71.61147615789537]
  kdiffは、構造化データのインスタンス間の距離を推定するためのカーネルベースの新しい尺度である。 これはインスタンス間の自己類似性と交差類似性の両方を考慮し、距離分布の低い定量値を用いて定義される。 kdiffをクラスタリングと分類問題のための距離尺度として用いた分離性条件について,いくつかの理論的結果が得られた。
  論文  参考訳（メタデータ） (2021-09-29T22:54:17Z)
• Disentanglement Analysis with Partial Information Decomposition [31.56299813238937]
  不整合表現は、異なる生成因子を個別にキャプチャする複数のランダム変数にデータをマッピングすることで、プロセスを逆転させることを目的としている。 現在の遠絡測定値は、各生成因子によって条件付けられた各変数の絶対偏差、分散、エントロピーなどの濃度を測定するように設計されている。 本研究では,2つ以上の変数間の情報共有を評価するために部分情報分解フレームワークを使用し,新しいアンタングル化指標を含むフレームワークを構築する。
  論文  参考訳（メタデータ） (2021-08-31T11:09:40Z)
• Conditional canonical correlation estimation based on covariates with random forests [0.0]
  本研究では,2つの変数間の条件付き正準相関を推定するRFCCAを用いたランダムフォレスト(Random Forest)を提案する。 提案手法と大域的意義試験は,精度の高い正準相関推定とよく制御されたType-1誤差を提供するシミュレーション研究によって評価される。
  論文  参考訳（メタデータ） (2020-11-23T17:09:46Z)
• Learning from Aggregate Observations [82.44304647051243]
  本研究では,一組のインスタンスに監視信号が与えられる集合観察から学習する問題について検討する。 本稿では,多種多様な集合観測に適合する一般的な確率的枠組みを提案する。 単純な極大解は様々な微分可能なモデルに適用できる。
  論文  参考訳（メタデータ） (2020-04-14T06:18:50Z)
• Statistical and Topological Properties of Sliced Probability Divergences [30.258116496304662]
  我々はスライスされた確率分岐の様々な理論的性質を導出する。 我々はスライシングが計量公理と発散の弱連続性を保っていることを示す。 次に,基本偏差が積分確率測定値のクラスに属する場合の精度を検証した。
  論文  参考訳（メタデータ） (2020-03-12T13:15:17Z)

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。