論文の概要: Distributional Computational Graphs: Error Bounds
- arxiv url: http://arxiv.org/abs/2601.16250v1
- Date: Thu, 22 Jan 2026 18:56:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-26 14:27:27.365248
- Title: Distributional Computational Graphs: Error Bounds
- Title（参考訳）: 分散計算グラフ:エラー境界
- Authors: Olof Hallqvist Elias, Michael Selby, Phillip Stanley-Marbell,
- Abstract要約: 連続確率分布の有限近似を用いてこれらのグラフを評価する際に生じる離散化誤差を解析する。
We establish non-asymptotic bounds error in terms of the Wasserstein-1 distance。
- 参考スコア（独自算出の注目度）: 0.38233569758620045
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We study a general framework of distributional computational graphs: computational graphs whose inputs are probability distributions rather than point values. We analyze the discretization error that arises when these graphs are evaluated using finite approximations of continuous probability distributions. Such an approximation might be the result of representing a continuous real-valued distribution using a discrete representation or from constructing an empirical distribution from samples (or might be the output of another distributional computational graph). We establish non-asymptotic error bounds in terms of the Wasserstein-1 distance, without imposing structural assumptions on the computational graph.
- Abstract（参考訳）: 分布計算グラフの一般的な枠組みとして,入力が点値ではなく確率分布である計算グラフについて検討する。
連続確率分布の有限近似を用いてこれらのグラフを評価する際に生じる離散化誤差を解析する。
そのような近似は、離散表現を用いて連続実数値分布を表現する結果や、サンプルから経験的分布を構成する結果(あるいは別の分布計算グラフの出力である)である。
計算グラフに構造的仮定を課すことなく、ワッサーシュタイン-1距離の観点から非漸近誤差境界を確立する。
関連論文リスト
- Conditional Distribution Quantization in Machine Learning [83.54039134248231]
条件予測 mathbbE(Y Mid X) はしばしば、マルチモーダル条件分布の複雑さを捉えることに失敗する(Y Mid X)
我々はn点条件量子化(n-point Conditional Quantizations)-勾配降下により学習可能なXの関数写像--近似数学L(Y mid X)-を提案する。
論文 参考訳（メタデータ） (2025-02-11T00:28:24Z) - Wasserstein Bounds for generative diffusion models with Gaussian tail targets [1.540806558564153]
本稿では,データ分布とスコアベース生成モデルの生成の間のワッサースタイン距離を推定する。
データ分布のガウス型テール挙動と、スコアの正確な近似を$epsilon$-accurate approximationと仮定する。
論文 参考訳（メタデータ） (2024-12-15T17:20:42Z) - Graph-based Complexity for Causal Effect by Empirical Plug-in [56.14597641617531]
本稿では、因果効果クエリに対する経験的プラグイン推定の計算複雑性に焦点を当てる。
計算は、推定値のハイパーグラフに依存するため、データサイズにおいて、潜在的に線形な時間で効率的に行うことができることを示す。
論文 参考訳（メタデータ） (2024-11-15T07:42:01Z) - Testing Dependency of Weighted Random Graphs [4.0554893636822]
本研究では,2つのランダムグラフ間のエッジ依存性を検出するタスクについて検討する。
一般のエッジウェイト分布に対して、最適テストが情報理論上可能か不可能となるしきい値を確立する。
論文 参考訳（メタデータ） (2024-09-23T10:07:41Z) - Variance estimation in graphs with the fused lasso [7.732474038706013]
一般グラフの分散を連続的に推定できる相補的ケースに対する線形時間推定器を開発する。
我々の推定器は,平均信号が標準スケーリングと全く異なる場合,チェーンと2次元グリッドグラフの最小値が得られることを示す。
論文 参考訳（メタデータ） (2022-07-26T03:50:51Z) - Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。
我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
論文 参考訳（メタデータ） (2022-06-28T02:10:05Z) - Score-based Generative Modeling of Graphs via the System of Stochastic
Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。
本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文 参考訳（メタデータ） (2022-02-05T08:21:04Z) - A low discrepancy sequence on graphs [0.0]
複素ポテンシャル論において、いわゆるリージャ点に類似したサンプリングスキームの構成を記述する。
我々の推定はグラフのサイズに依存しない。
論文 参考訳（メタデータ） (2020-10-08T19:13:34Z) - Testing correlation of unlabeled random graphs [18.08210501570919]
ラベルなしノードを持つ2つのランダムグラフ間のエッジ相関を検出する問題について検討する。
これは仮説テスト問題として定式化され、ヌル仮説の下では、2つのグラフは独立に生成される。
代替として、2つのグラフは、ある潜在ノード対応の下ではエッジ関連であるが、ヌルと同じ辺分布を持つ。
論文 参考訳（メタデータ） (2020-08-23T19:19:45Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。