論文の概要: Meta-probabilistic Modeling

• arxiv url: http://arxiv.org/abs/2601.04462v1
• Date: Thu, 08 Jan 2026 00:34:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:52.963411
• Title: Meta-probabilistic Modeling
• Title（参考訳）: メタ確率モデリング
• Authors: Kevin Zhang, Yixin Wang,
• Abstract要約: 複数の関連するデータセットから生成モデル構造を直接学習するメタ確率モデリング(MPM)を提案する。 学習と推論のために、抽出可能なVAEにインスパイアされたサロゲートの目的を提案し、双方向の最適化により最適化する。 我々は、オブジェクト中心の画像モデリングとシーケンシャルテキストモデリングでMPMを評価し、有意義な潜在表現を復元しながら、生成モデルをデータに適応させることを実証した。
• 参考スコア（独自算出の注目度）: 36.339664748241944
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While probabilistic graphical models can discover latent structure in data, their effectiveness hinges on choosing well-specified models. Identifying such models is challenging in practice, often requiring iterative checking and revision through trial and error. To this end, we propose meta-probabilistic modeling (MPM), a meta-learning algorithm that learns generative model structure directly from multiple related datasets. MPM uses a hierarchical architecture where global model specifications are shared across datasets while local parameters remain dataset-specific. For learning and inference, we propose a tractable VAE-inspired surrogate objective, and optimize it through bi-level optimization: local variables are updated analytically via coordinate ascent, while global parameters are trained with gradient-based methods. We evaluate MPM on object-centric image modeling and sequential text modeling, demonstrating that it adapts generative models to data while recovering meaningful latent representations.
• Abstract（参考訳）: 確率的グラフィカルモデルは、データの潜在構造を発見することができるが、その有効性は、よく特定されたモデルを選択することにある。 このようなモデルの特定は、実際は困難であり、しばしば試行錯誤を通じて反復的なチェックと修正が必要である。 そこで本研究では,複数の関連するデータセットから生成モデル構造を直接学習するメタ確率モデリング(MPM)を提案する。 MPMは階層アーキテクチャを使用し、グローバルモデル仕様はデータセット間で共有され、ローカルパラメータはデータセット固有のままである。 学習と推論のために,抽出可能なVAEにインスパイアされたサロゲートの目的を提案し,二段階最適化により最適化する:局所変数は座標上昇によって解析的に更新され,大域パラメータは勾配に基づく手法で訓練される。 我々は、オブジェクト中心の画像モデリングとシーケンシャルテキストモデリングでMPMを評価し、有意義な潜在表現を復元しながら、生成モデルをデータに適応させることを実証した。

関連論文リスト

• GM-DF: Generalized Multi-Scenario Deepfake Detection [49.072106087564144]
  既存の偽造検出は、通常、単一のドメインでのトレーニングモデルのパラダイムに従う。 本稿では,複数の顔偽造検出データセットを共同で訓練した場合のディープフェイク検出モデルの一般化能力について詳しく検討する。
  論文  参考訳（メタデータ） (2024-06-28T17:42:08Z)
• Has Your Pretrained Model Improved? A Multi-head Posterior Based Approach [25.927323251675386]
  我々は、世界的知識の源として各エンティティに関連するメタ機能を活用し、モデルからエンティティ表現を採用する。 本稿では,これらの表現とメタ機能との整合性を,事前学習モデルの評価指標として用いることを提案する。 提案手法の有効性は,関係データセットを用いたモデル,大規模言語モデル,画像モデルなど,様々な領域で実証されている。
  論文  参考訳（メタデータ） (2024-01-02T17:08:26Z)
• T1: Scaling Diffusion Probabilistic Fields to High-Resolution on Unified Visual Modalities [69.16656086708291]
  拡散確率場(DPF)は、距離空間上で定義された連続関数の分布をモデル化する。 本稿では,局所構造学習に着目したビューワイズサンプリングアルゴリズムによる新しいモデルを提案する。 モデルは、複数のモダリティを統一しながら、高解像度のデータを生成するためにスケールすることができる。
  論文  参考訳（メタデータ） (2023-05-24T03:32:03Z)
• Discover, Explanation, Improvement: An Automatic Slice Detection Framework for Natural Language Processing [72.14557106085284]
  スライス検出モデル(SDM)は、データポイントの低パフォーマンスなグループを自動的に識別する。 本稿では,NLPタスクの分類のための "Discover, Explain, improve (DEIM)" というベンチマークを提案する。 評価の結果,Edisaは情報的セマンティックな特徴を持つ誤り発生データポイントを正確に選択できることがわかった。
  論文  参考訳（メタデータ） (2022-11-08T19:00:00Z)
• BayesLDM: A Domain-Specific Language for Probabilistic Modeling of Longitudinal Data [7.6623098641742615]
  BayesLDMは複雑な縦データモデリングシステムである。 BayesLDMはモデル仕様と利用可能なデータの検査を組み合わせることで、未知のパラメータに対するベイズ推論を実行するためのコードを出力する。 ベイズLDMシステムコンポーネントについて述べるとともに、表現効率と推論最適化の効率を評価し、不均一で部分的に観察されるモバイル健康データを解析するためのシステムの適用例を示す。
  論文  参考訳（メタデータ） (2022-09-12T20:10:02Z)
• An Ample Approach to Data and Modeling [1.0152838128195467]
  さまざまな分野の概念とメソッドを統合するモデルの構築方法をモデル化するためのフレームワークについて説明する。 参照M*メタモデルフレームワークは、厳密な同値関係の観点からデータセットと各モデルの関連付けに批判的に依存する。 開発されたフレームワークがデータクラスタリング、複雑性、共同研究、ディープラーニング、クリエイティビティに関する洞察を提供する方法について、いくつかの考察がなされている。
  論文  参考訳（メタデータ） (2021-10-05T01:26:09Z)
• Model-agnostic multi-objective approach for the evolutionary discovery of mathematical models [55.41644538483948]
  現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。 合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
  論文  参考訳（メタデータ） (2021-07-07T11:17:09Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)
• Meta-learning framework with applications to zero-shot time-series forecasting [82.61728230984099]
  この研究は幅広いメタラーニングフレームワークを使って肯定的な証拠を提供する。 残余接続はメタラーニング適応機構として機能する。 我々は、ソースTSデータセット上でニューラルネットワークをトレーニングし、異なるターゲットTSデータセット上で再トレーニングすることなくデプロイできることを示します。
  論文  参考訳（メタデータ） (2020-02-07T16:39:43Z)

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。