Fugu-MT 論文翻訳(概要): Constrained Density Estimation via Optimal Transport

論文の概要: Constrained Density Estimation via Optimal Transport

arxiv url: http://arxiv.org/abs/2601.06830v1
Date: Sun, 11 Jan 2026 09:44:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-13 19:08:01.015378
Title: Constrained Density Estimation via Optimal Transport
Title（参考訳）: 最適輸送による制約密度推定
Authors: Yinan Hu, Estaban Tabak,
Abstract要約: 予測制約下での密度推定のための新しい枠組みを提案する。この枠組みは、関数の集合の期待値が与えられた値を採用するか、あるいは超えるという制約の下で、推定密度と事前の間のワッサーシュタイン距離を最小化する。
参考スコア（独自算出の注目度）: 1.2195494142154517
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A novel framework for density estimation under expectation constraints is proposed. The framework minimizes the Wasserstein distance between the estimated density and a prior, subject to the constraints that the expected value of a set of functions adopts or exceeds given values. The framework is generalized to include regularization inequalities to mitigate the artifacts in the target measure. An annealing-like algorithm is developed to address non-smooth constraints, with its effectiveness demonstrated through both synthetic and proof-of-concept real world examples in finance.
Abstract（参考訳）: 予測制約下での密度推定のための新しい枠組みを提案する。この枠組みは、関数の集合の期待値が与えられた値を採用するか、あるいは超えるという制約の下で、推定密度と事前の間のワッサーシュタイン距離を最小化する。フレームワークは、対象の測度におけるアーティファクトを緩和するために、正規化の不等式を含むように一般化されている。非滑らかな制約に対処するために、アニーリングのようなアルゴリズムが開発され、その効果は金融における概念実証実例と概念実証実例の両方を通じて実証されている。

関連論文リスト

Variational Approximations for Robust Bayesian Inference via Rho-Posteriors [4.042110592015443]
PAC-Bayesianフレームワークは$$-posterior推論を開発した。厳密な有限サンプル保証付き$$$-posterior推論の最初の実践的実装。
論文参考訳（メタデータ） (2026-01-12T08:47:13Z)
Fast Non-Log-Concave Sampling under Nonconvex Equality and Inequality Constraints with Landing [23.34796659926398]
LAndOLLAは、平等と不等式の両方を設計できる新しいフレームワークである。我々は、射影に基づく制約付きランゲヴィンアルゴリズムと比較して、可変射影の効率を実証する。
論文参考訳（メタデータ） (2025-10-24T22:06:03Z)
Aligning Latent Spaces with Flow Priors [72.24305287508474]
本稿では,学習可能な潜在空間を任意の目標分布に整合させるための新しいフレームワークを提案する。特に,提案手法は計算コストの高い確率評価を排除し,最適化時のODE解決を回避する。
論文参考訳（メタデータ） (2025-06-05T16:59:53Z)
Kernel Density Machines [0.0]
カーネル密度マシン(英: kernel density machine、KDM)は、ラドン-ニコディム微分の非パラメトリック推定器である。整合性、機能中心極限定理、有限サンプル誤差境界を含む厳密な理論的保証を提供する。シミュレーションおよび実データに基づく実験結果から,KDMの有効性と精度が示された。
論文参考訳（メタデータ） (2025-04-30T08:25:25Z)
Wasserstein Distributionally Robust Bayesian Optimization with Continuous Context [5.4147994801415145]
我々は,文脈分布の不確実性の下での逐次的データ駆動意思決定の課題に対処する。 We propose a novel algorithm for Wasserstein Distributionally Robust Bayesian Optimization。我々の理論解析はヒルベルト空間における自己正規化濃度と分布的ロバストな最適化のための有限サンプル境界の最近の結果を組み合わせたものである。
論文参考訳（メタデータ） (2025-03-26T09:11:17Z)
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)
Algorithm for Constrained Markov Decision Process with Linear Convergence [55.41644538483948]
エージェントは、そのコストに対する複数の制約により、期待される累積割引報酬を最大化することを目的としている。エントロピー正規化ポリシーとベイダの二重化という2つの要素を統合した新しい双対アプローチが提案されている。提案手法は(線形速度で)大域的最適値に収束することが示されている。
論文参考訳（メタデータ） (2022-06-03T16:26:38Z)
Finite Sample Analysis of Minimax Offline Reinforcement Learning: Completeness, Fast Rates and First-Order Efficiency [83.02999769628593]
強化学習におけるオフ・ポリティィ・アセスメント(OPE)の理論的特徴について述べる。ミニマックス法により、重みと品質関数の高速収束を実現することができることを示す。非タブラル環境における1次効率を持つ最初の有限サンプル結果を示す。
論文参考訳（メタデータ） (2021-02-05T03:20:39Z)
Amortized Conditional Normalized Maximum Likelihood: Reliable Out of Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文参考訳（メタデータ） (2020-11-05T08:04:34Z)
Conditional Density Estimation via Weighted Logistic Regressions [0.30458514384586394]
非均一プロセスモデルの一般密度と可能性関数の関連性を示すパラメトリック条件密度推定法を提案する。最大推定値は重み付けされたロジスティック回帰によって得ることができ、ブロックワイズ交互化スキームと局所ケースコントロールサンプリングを組み合わせることで計算を著しく緩和することができる。
論文参考訳（メタデータ） (2020-10-21T11:08:25Z)
Imitation with Neural Density Models [98.34503611309256]
本稿では,Imitation Occupancy Entropy Reinforcement Learning (RL) を報奨として,専門家の占有率の密度推定によるImitation Learning (IL) の新しい枠組みを提案する。提案手法は,専門家の占有率と模倣者の占有率の逆Kulback-Leibler偏差を確実に低くする非逆モデル自由RLの目的を最大化する。
論文参考訳（メタデータ） (2020-10-19T19:38:36Z)

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。