論文の概要: Generative and Nonparametric Approaches for Conditional Distribution Estimation: Methods, Perspectives, and Comparative Evaluations

• arxiv url: http://arxiv.org/abs/2601.22650v1
• Date: Fri, 30 Jan 2026 07:10:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.289605
• Title: Generative and Nonparametric Approaches for Conditional Distribution Estimation: Methods, Perspectives, and Comparative Evaluations
• Title（参考訳）: 条件分布推定のための生成的・非パラメトリック的アプローチ:方法,展望,比較評価
• Authors: Yen-Shiu Chin, Zhi-Yu Jou, Toshinari Morimoto, Chia-Tse Wang, Ming-Chung Chang, Tso-Jung Yen, Su-Yun Huang, Tailen Hsing,
• Abstract要約: 本稿では、古典的非パラメトリック法と近代生成モデルにまたがるいくつかの代表的なアプローチをレビューし、比較する。 推定条件分布に使用する性能指標には,条件平均の平均2乗誤差と標準偏差がある。
• 参考スコア（独自算出の注目度）: 2.0236506875465863
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The inference of conditional distributions is a fundamental problem in statistics, essential for prediction, uncertainty quantification, and probabilistic modeling. A wide range of methodologies have been developed for this task. This article reviews and compares several representative approaches spanning classical nonparametric methods and modern generative models. We begin with the single-index method of Hall and Yao (2005), which estimates the conditional distribution through a dimension-reducing index and nonparametric smoothing of the resulting one-dimensional cumulative conditional distribution function. We then examine the basis-expansion approaches, including FlexCode (Izbicki and Lee, 2017) and DeepCDE (Dalmasso et al., 2020), which convert conditional density estimation into a set of nonparametric regression problems. In addition, we discuss two recent generative simulation-based methods that leverage modern deep generative architectures: the generative conditional distribution sampler (Zhou et al., 2023) and the conditional denoising diffusion probabilistic model (Fu et al., 2024; Yang et al., 2025). A systematic numerical comparison of these approaches is provided using a unified evaluation framework that ensures fairness and reproducibility. The performance metrics used for the estimated conditional distribution include the mean-squared errors of conditional mean and standard deviation, as well as the Wasserstein distance. We also discuss their flexibility and computational costs, highlighting the distinct advantages and limitations of each approach.
• Abstract（参考訳）: 条件分布の推測は統計学における基本的な問題であり、予測、不確実な定量化、確率的モデリングに不可欠である。 この課題に対して幅広い方法論が開発されている。 本稿では、古典的非パラメトリック法と近代生成モデルにまたがるいくつかの代表的なアプローチをレビューし、比較する。 まず, 1次元累積分布関数の次元還元指数と非パラメトリックな平滑化を通じて条件分布を推定するホール・アンド・ヤオの単一指数法(2005)から始める。 次に,FlexCode (Izbicki and Lee, 2017) やDeepCDE (Dalmasso et al , 2020) など,条件密度推定を非パラメトリック回帰問題に変換する基礎拡張手法を検討する。 さらに, 現代の深層構造を生かした2つの生成シミュレーションに基づく手法について論じる: 生成条件分布サンプリング(Zhou et al , 2023)と条件分解拡散確率モデル(Fu et al , 2024; Yang et al , 2025)である。 これらの手法の体系的な数値比較は、公正性と再現性を保証する統一評価フレームワークを用いて行われる。 推定条件分布に使用される性能指標には、条件平均の平均2乗誤差と標準偏差、ワッサーシュタイン距離が含まれる。 柔軟性と計算コストについても議論し、それぞれのアプローチの利点と限界を強調します。

関連論文リスト

• Learning Survival Distributions with the Asymmetric Laplace Distribution [16.401141867387324]
  非対称ラプラス分布(ALD)に基づくパラメトリックサバイバル解析法を提案する。 この分布は、平均、中央値、モード、変動、量子化といった一般的なイベントサマリーの閉形式計算を可能にする。 提案手法は, 精度, 識別, 校正の点でパラメトリックおよび非パラメトリックアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-06T17:34:41Z)
• Inflationary Flows: Calibrated Bayesian Inference with Diffusion-Based Models [0.0]
  本稿では,拡散モデルを用いてベイズ推定を行う方法を示す。 本稿では,新しいノイズスケジュールを用いて,標準的なDBMトレーニングを通じてそのようなマップを学習する方法を示す。 その結果は、低次元の潜在空間上で一意に定義される非常に表現性の高い生成モデルのクラスである。
  論文  参考訳（メタデータ） (2024-07-11T19:58:19Z)
• Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。 我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• Unveil Conditional Diffusion Models with Classifier-free Guidance: A Sharp Statistical Theory [87.00653989457834]
  条件付き拡散モデルは現代の画像合成の基礎となり、計算生物学や強化学習などの分野に広く応用されている。 経験的成功にもかかわらず、条件拡散モデルの理論はほとんど欠落している。 本稿では,条件拡散モデルを用いた分布推定の急激な統計的理論を提示することにより,ギャップを埋める。
  論文  参考訳（メタデータ） (2024-03-18T17:08:24Z)
• Semi-Parametric Inference for Doubly Stochastic Spatial Point Processes: An Approximate Penalized Poisson Likelihood Approach [3.085995273374333]
  二重確率点過程は、ランダム強度関数の実現を前提とした不均一過程として空間領域上の事象の発生をモデル化する。 既存の二重確率空間モデルの実装は、計算的に要求され、しばしば理論的な保証が制限され、または制限的な仮定に依存している。
  論文  参考訳（メタデータ） (2023-06-11T19:48:39Z)
• MAUVE Scores for Generative Models: Theory and Practice [95.86006777961182]
  本報告では,テキストや画像の生成モデルで発生するような分布のペア間の比較尺度であるMAUVEについて述べる。 我々は、MAUVEが人間の文章の分布と現代のニューラル言語モデルとのギャップを定量化できることを発見した。 我々は、MAUVEが既存のメトリクスと同等以上の画像の既知の特性を識別できることを視覚領域で実証する。
  論文  参考訳（メタデータ） (2022-12-30T07:37:40Z)
• Divergence Frontiers for Generative Models: Sample Complexity, Quantization Level, and Frontier Integral [58.434753643798224]
  多様性フロンティアは生成モデルの評価フレームワークとして提案されている。 分岐フロンティアのプラグイン推定器のサンプル複雑性の非漸近的境界を確立する。 また,スムーズな分布推定器の統計的性能を調べることにより,分散フロンティアの枠組みも強化する。
  論文  参考訳（メタデータ） (2021-06-15T06:26:25Z)
• Loss function based second-order Jensen inequality and its application to particle variational inference [112.58907653042317]
  粒子変分推論(PVI)は、後部分布の実験的近似としてモデルのアンサンブルを用いる。 PVIは、最適化されたモデルの多様性を保証するために、各モデルを反発力で反復的に更新する。 我々は,新たな一般化誤差を導出し,モデルの多様性を高めて低減できることを示す。
  論文  参考訳（メタデータ） (2021-06-09T12:13:51Z)

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。