論文の概要: Efficient Online Variational Estimation via Monte Carlo Sampling

• arxiv url: http://arxiv.org/abs/2602.06579v1
• Date: Fri, 06 Feb 2026 10:20:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 22:18:26.353033
• Title: Efficient Online Variational Estimation via Monte Carlo Sampling
• Title（参考訳）: モンテカルロサンプリングによる効率的なオンライン変動推定
• Authors: Mathis Chagneux, Mathias Müller, Pierre Gloaguen, Sylvain Le Corff, Jimmy Olsson,
• Abstract要約: 本稿では,パラメトリック状態空間モデルにおけるオンライン変動推定について述べる。 本稿では,観測結果が連続的に届くストリーミング・データ・セッティングにおいて,エビデンス・ローバウンドとその勾配を効率的に計算する新しい手法を提案する。 モンテカルロサンプリング(Monte Carlo sample)は、計算効率と柔軟性を両立させる、洗練された深層アーキテクチャと組み合わせた手法である。
• 参考スコア（独自算出の注目度）: 10.507384332827039
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This article addresses online variational estimation in parametric state-space models. We propose a new procedure for efficiently computing the evidence lower bound and its gradient in a streaming-data setting, where observations arrive sequentially. The algorithm allows for the simultaneous training of the model parameters and the distribution of the latent states given the observations. It is based on i.i.d. Monte Carlo sampling, coupled with a well-chosen deep architecture, enabling both computational efficiency and flexibility. The performance of the method is illustrated on both synthetic data and real-world air-quality data. The proposed approach is theoretically motivated by the existence of an asymptotic contrast function and the ergodicity of the underlying Markov chain, and applies more generally to the computation of additive expectations under posterior distributions in state-space models.
• Abstract（参考訳）: 本稿では,パラメトリック状態空間モデルにおけるオンライン変動推定について述べる。 本稿では,観測結果が連続的に届くストリーミング・データ・セッティングにおいて,エビデンス・ローバウンドとその勾配を効率的に計算する新しい手法を提案する。 このアルゴリズムは、観測されたモデルパラメータと潜在状態の分布の同時トレーニングを可能にする。 モンテカルロサンプリング(Monte Carlo sample)は、計算効率と柔軟性を両立させる、洗練された深層アーキテクチャと組み合わせた手法である。 本手法の性能は, 合成データと実世界の空気質データの両方で示される。 提案手法は漸近的コントラスト関数の存在と基礎となるマルコフ連鎖のエルゴード性によって理論的に動機付けられ、より一般的には状態空間モデルにおける後続分布の下での加法的期待の計算に適用される。

関連論文リスト

• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• Multi-fidelity Parameter Estimation Using Conditional Diffusion Models [6.934199382834925]
  複素系におけるパラメータ推定の不確実性定量化のための多要素法を提案する。 対象条件分布のサンプル化のために,条件生成モデルを訓練した。 提案手法の有効性をいくつかの数値例で示す。
  論文  参考訳（メタデータ） (2025-04-02T16:54:47Z)
• Importance sampling for online variational learning [0.0]
  本稿では,状態空間モデルにおけるオンライン変動推定について述べる。 我々は,モンテカルロの重要サンプリングとともに変動的アプローチを用いて,スムージング分布,すなわち観測された潜在状態の連立分布の学習に焦点をあてる。
  論文  参考訳（メタデータ） (2024-02-05T10:18:47Z)
• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
  連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。 条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。 提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
  論文  参考訳（メタデータ） (2022-11-30T05:33:29Z)

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。