論文の概要: Quasiprobabilistic Density Ratio Estimation with a Reverse Engineered Classification Loss Function

• arxiv url: http://arxiv.org/abs/2512.19913v1
• Date: Mon, 22 Dec 2025 22:37:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.679165
• Title: Quasiprobabilistic Density Ratio Estimation with a Reverse Engineered Classification Loss Function
• Title（参考訳）: リバースエンジニアリング分類損失関数を用いた準確率密度比の推定
• Authors: Matthew Drnevich, Stephen Jiggins, Kyle Cranmer,
• Abstract要約: 本稿では,確率的および準確率的密度比推定に適した凸損失関数を提案する。 粒子物理学による実例として, グルーオン-グルーオン融合によるジヒッグス生成とジェットの関連性を示す。
• 参考スコア（独自算出の注目度）: 0.7769607568805288
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider a generalization of the classifier-based density-ratio estimation task to a quasiprobabilistic setting where probability densities can be negative. The problem with most loss functions used for this task is that they implicitly define a relationship between the optimal classifier and the target quasiprobabilistic density ratio which is discontinuous or not surjective. We address these problems by introducing a convex loss function that is well-suited for both probabilistic and quasiprobabilistic density ratio estimation. To quantify performance, an extended version of the Sliced-Wasserstein distance is introduced which is compatible with quasiprobability distributions. We demonstrate our approach on a real-world example from particle physics, of di-Higgs production in association with jets via gluon-gluon fusion, and achieve state-of-the-art results.
• Abstract（参考訳）: 確率密度が負となる準確率的設定への分類器に基づく密度比推定タスクの一般化を検討する。 このタスクで使われるほとんどの損失関数の問題は、最適分類器と目的準確率密度比の関係を暗黙的に定義することである。 本稿では,確率的および準確率的密度比推定に適した凸損失関数を導入することにより,これらの問題に対処する。 性能を定量化するために、準確率分布と互換性のあるスライス・ワッサーシュタイン距離の拡張版を導入する。 我々は,粒子物理学による実例,グルーオン-グルーオン融合によるジェットのジヒッグス生成,そして最先端の成果を実例で示す。

関連論文リスト

• Density estimation with atoms, and functional estimation for mixed discrete-continuous data [29.43493007296859]
  密度汎関数推定では、基底分布がルベーグ測度に関して密度を持つと仮定することが標準である。 データ分布が連続成分と離散成分の混合である場合、結果の手法は理論上矛盾し、実際は不整合である。 我々は、混合物の連続成分の幅広い関数のクラスに対して、既存の推定器を変更する。
  論文  参考訳（メタデータ） (2025-08-03T10:22:35Z)
• Estimating Unbounded Density Ratios: Applications in Error Control under Covariate Shift [17.924340241624204]
  我々は,少なくとも2乗とロジスティック回帰に基づく損失関数を用いた密度比推定器について検討した。 我々は、対数係数まで、標準のミニマックス最適率で推定誤差の上限を確立する。 この結果は、非有界領域と範囲を持つ密度比関数に適合する。
  論文  参考訳（メタデータ） (2025-03-29T11:35:39Z)
• Regulating Model Reliance on Non-Robust Features by Smoothing Input Marginal Density [93.32594873253534]
  信頼できる機械学習は、非ロバストな特徴に依存するモデルの厳密な規制を必要とする。 本稿では,モデル予測を入力に関連付けることによって,そのような特徴を記述・規制するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-05T09:16:56Z)
• Binary Losses for Density Ratio Estimation [2.512309434783062]
  有限個の観測値から2つの確率密度の比を推定することは、中央の機械学習問題である。 本研究では, 誤差の小さい密度比推定器が生じる損失関数を特徴付ける。 本研究では,大きな密度比値の正確な推定を優先するような,特定の特性を持つ損失関数を構成するための簡単なレシピを得る。
  論文  参考訳（メタデータ） (2024-07-01T15:24:34Z)
• Sobolev Space Regularised Pre Density Models [51.558848491038916]
  本研究では,ソボレフ法則の正則化に基づく非パラメトリック密度推定法を提案する。 この方法は統計的に一貫したものであり、帰納的検証モデルを明確かつ一貫したものにしている。
  論文  参考訳（メタデータ） (2023-07-25T18:47:53Z)
• Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
  実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。 本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
  論文  参考訳（メタデータ） (2023-06-13T01:18:16Z)
• Machine-Learned Exclusion Limits without Binning [0.0]
  我々は、1次元信号と背景確率密度関数を抽出するためにカーネル密度推定器(KDE)を含むMLL法を拡張した。 本手法は,レプトン対に崩壊するエキゾチックヒッグス粒子の探索と,レプトン対に崩壊するZ'$ボソンの2例に適用する。
  論文  参考訳（メタデータ） (2022-11-09T11:04:50Z)
• Nonparametric Probabilistic Regression with Coarse Learners [1.8275108630751844]
  我々は, 密度の形状や形状について最小限の仮定で, 正確な条件密度を計算することができることを示す。 このアプローチをさまざまなデータセットで実証し、特に大きなデータセットで競合性能を示す。
  論文  参考訳（メタデータ） (2022-10-28T16:25:26Z)
• Statistical Efficiency of Score Matching: The View from Isoperimetry [96.65637602827942]
  本研究では, スコアマッチングの統計的効率と推定される分布の等尺性との間に, 密接な関係を示す。 これらの結果はサンプル状態と有限状態の両方で定式化する。
  論文  参考訳（メタデータ） (2022-10-03T06:09:01Z)
• Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
  統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。 本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
  論文  参考訳（メタデータ） (2022-08-29T16:16:22Z)

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。