論文の概要: Transforming Conditional Density Estimation Into a Single Nonparametric Regression Task

• arxiv url: http://arxiv.org/abs/2511.18530v1
• Date: Sun, 23 Nov 2025 16:50:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.883154
• Title: Transforming Conditional Density Estimation Into a Single Nonparametric Regression Task
• Title（参考訳）: 1つの非パラメトリック回帰タスクへの条件密度推定
• Authors: Alexander G. Reisach, Olivier Collier, Alex Luedtke, Antoine Chambaz,
• Abstract要約: 本研究では, 条件密度推定の問題を, 補助サンプルの導入により, 単一の非パラメトリック回帰タスクに変換する。 我々はこのアプローチを実装する方法であるcondensitéを開発する。 大規模な人口調査データセットと衛星画像データセットを用いて,本手法の評価を行った。
• 参考スコア（独自算出の注目度）: 42.066457491320115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a way of transforming the problem of conditional density estimation into a single nonparametric regression task via the introduction of auxiliary samples. This allows leveraging regression methods that work well in high dimensions, such as neural networks and decision trees. Our main theoretical result characterizes and establishes the convergence of our estimator to the true conditional density in the data limit. We develop condensité, a method that implements this approach. We demonstrate the benefit of the auxiliary samples on synthetic data and showcase that condensité can achieve good out-of-the-box results. We evaluate our method on a large population survey dataset and on a satellite imaging dataset. In both cases, we find that condensité matches or outperforms the state of the art and yields conditional densities in line with established findings in the literature on each dataset. Our contribution opens up new possibilities for regression-based conditional density estimation and the empirical results indicate strong promise for applied research.
• Abstract（参考訳）: 本稿では, 条件密度推定の問題を, 補助サンプルの導入による1つの非パラメトリック回帰タスクに変換する方法を提案する。 これにより、ニューラルネットワークや決定木といった高次元でうまく機能する回帰手法を活用することができる。 我々の理論結果は、データ限界における真の条件密度への推定器の収束を特徴づけ、確立する。 我々はこのアプローチを実装する方法であるcondensitéを開発する。 本研究では, 合成データに対する補助試料の有用性を実証し, コンデンシテが優れたアウト・オブ・ザ・ボックス結果が得られることを示した。 大規模な人口調査データセットと衛星画像データセットを用いて,本手法の評価を行った。 いずれの場合も、コンデンシテは最先端の手法と一致し、各データセットの文献で確立された結果と一致した条件密度が得られる。 我々の貢献は回帰に基づく条件密度推定の新しい可能性を開き、実験結果から応用研究への強い期待が示される。

関連論文リスト

• A Likelihood Based Approach to Distribution Regression Using Conditional Deep Generative Models [8.862614615192578]
  本研究では,条件付き深部生成モデルの推定のための可能性に基づくアプローチの大規模サンプル特性について検討する。 その結果,条件分布を推定するための最大極大推定器の収束率を導いた。
  論文  参考訳（メタデータ） (2024-10-02T20:46:21Z)
• Generative modeling of density regression through tree flows [3.0262553206264893]
  本稿では,表データの密度回帰タスクに適したフローベース生成モデルを提案する。 本稿では,木質変換を分割・対数戦略を用いて適合させる学習アルゴリズムを提案する。 本手法は, トレーニングおよびサンプリング予算のごく一部において, 同等あるいは優れた性能を継続的に達成する。
  論文  参考訳（メタデータ） (2024-06-07T21:07:35Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
  本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。 このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。 提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
  論文  参考訳（メタデータ） (2022-03-03T05:58:49Z)
• Heavy-tailed Streaming Statistical Estimation [58.70341336199497]
  ストリーミング$p$のサンプルから重み付き統計推定の課題を考察する。 そこで我々は,傾きの雑音に対して,よりニュアンスな条件下での傾きの傾きの低下を設計し,より詳細な解析を行う。
  論文  参考訳（メタデータ） (2021-08-25T21:30:27Z)
• GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
  オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。 本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。 提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
  論文  参考訳（メタデータ） (2021-02-22T19:42:40Z)
• TraDE: Transformers for Density Estimation [101.20137732920718]
  TraDEは自己回帰密度推定のための自己アテンションに基づくアーキテクチャである。 本稿では, 生成したサンプルを用いた回帰, 分布外検出, トレーニングデータにおける雑音に対する頑健性などのタスクについて述べる。
  論文  参考訳（メタデータ） (2020-04-06T07:32:51Z)

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。