Fugu-MT 論文翻訳(概要): Phase-Type Variational Autoencoders for Heavy-Tailed Data

論文の概要: Phase-Type Variational Autoencoders for Heavy-Tailed Data

arxiv url: http://arxiv.org/abs/2603.01800v1
Date: Mon, 02 Mar 2026 12:32:42 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-03 19:50:56.867988
Title: Phase-Type Variational Autoencoders for Heavy-Tailed Data
Title（参考訳）: 重機データのための位相型変分オートエンコーダ
Authors: Abdelhakim Ziani, András Horváth, Paolo Ballarini,
Abstract要約: 重い尾の分布は、稀だが極端な出来事がリスクと変動性を支配している現実世界のデータに広く見られる。位相型変分オートエンコーダ(PH-VAE)を提案し,そのデコーダ分布は潜時条件付き位相型(PH)分布である。合成および実世界のベンチマークの実験により、PH-VAEは多様な重み付き分布を正確に回復することを示した。
参考スコア（独自算出の注目度）: 0.20854674413792754
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Heavy-tailed distributions are ubiquitous in real-world data, where rare but extreme events dominate risk and variability. However, standard Variational Autoencoders (VAEs) employ simple decoder distributions (e.g., Gaussian) that fail to capture heavy-tailed behavior, while existing heavy-tail-aware extensions remain restricted to predefined parametric families whose tail behavior is fixed a priori. We propose the Phase-Type Variational Autoencoder (PH-VAE), whose decoder distribution is a latent-conditioned Phase-Type (PH) distribution defined as the absorption time of a continuous-time Markov chain (CTMC). This formulation composes multiple exponential time scales, yielding a flexible and analytically tractable decoder that adapts its tail behavior directly from the observed data. Experiments on synthetic and real-world benchmarks demonstrate that PH-VAE accurately recovers diverse heavy-tailed distributions, significantly outperforming Gaussian, Student-t, and extreme-value-based VAE decoders in modeling tail behavior and extreme quantiles. In multivariate settings, PH-VAE captures realistic cross-dimensional tail dependence through its shared latent representation. To our knowledge, this is the first work to integrate Phase-Type distributions into deep generative modeling, bridging applied probability and representation learning.
Abstract（参考訳）: 重い尾の分布は、稀だが極端な出来事がリスクと変動性を支配している現実世界のデータに広く見られる。しかし、標準変分オートエンコーダ(VAEs)は、単純なデコーダ分布(例えばガウシアン)を用いて、重み付けされた振る舞いを捉えないが、既存の重み付きアウェア拡張は、テール動作が予め固定されたパラメトリックな族に限られている。連続時間マルコフ連鎖 (CTMC) の吸収時間として定義される遅延条件付き位相型 (PH) 分布をデコーダ分布とする位相型変分オートエンコーダ (PH-VAE) を提案する。この定式化は、複数の指数時間スケールを構成し、フレキシブルで解析的に抽出可能なデコーダを生成し、観測データから直接テールの挙動を適応させる。合成および実世界のベンチマーク実験により、PH-VAEは様々な重み付き分布を正確に復元し、尾の挙動や極端量子化をモデル化する上で、ガウス、学生-t、極値ベースのVAEデコーダを著しく上回っていることが示された。多変量設定では、PH-VAEはその共有潜在表現を通して現実的な相互次元のテール依存をキャプチャする。我々の知る限り、これは相型分布を深層生成モデリング、応用確率のブリッジング、表現学習に統合する最初の試みである。

関連論文リスト

EVEREST: An Evidential, Tail-Aware Transformer for Rare-Event Time-Series Forecasting [4.551615447454767]
EVERESTは確率的レアイベント予測のためのトランスフォーマーベースのアーキテクチャである。キャリブレーションされた予測とテールアウェアのリスク推定を提供する。産業監視、天気予報、衛星診断などの高度な分野に適用できる。
論文参考訳（メタデータ） (2026-01-26T23:15:20Z)
XLinear: A Lightweight and Accurate MLP-Based Model for Long-Term Time Series Forecasting with Exogenous Inputs [6.220315921943706]
本研究では,MultiLayer Perceptrons上に構築された軽量時系列予測モデルであるXLinearを提案する。 XLinearは、内因性変数から派生したグローバルトークンを、変数と相互作用するための中心的なハブとして使用し、これらの信号を統合して内因性系列を予測する。
論文参考訳（メタデータ） (2026-01-14T07:21:29Z)
BayesTTA: Continual-Temporal Test-Time Adaptation for Vision-Language Models via Gaussian Discriminant Analysis [41.09181390655176]
CLIPのような視覚言語モデル(VLM)は、強いゼロショット認識を実現するが、実世界のシナリオに共通する時空間的な分散シフトの下で大幅に劣化する。テスト分布が時間とともに徐々に変化するCT-TTA(textitContinal-Temporal Test-Time Adaptation)として、この実践的問題を定式化する。我々は、時間的に一貫した予測を実行し、視覚表現を動的に調整する、ベイズ適応フレームワークであるtextitBayesTTAを提案する。
論文参考訳（メタデータ） (2025-07-11T14:02:54Z)
DT-UFC: Universal Large Model Feature Coding via Peaky-to-Balanced Distribution Transformation [50.32808229665005]
本稿では,大規模モデルの普遍的特徴符号化に関する最初の体系的研究について述べる。主な課題は、異なるモデルから抽出された特徴の本質的に多様性があり、分布的に互換性のない性質にある。本稿では,高度に歪んだ特徴分布を共通目標空間に再帰させる学習ピーク対均衡分布変換を提案する。
論文参考訳（メタデータ） (2025-06-19T17:43:32Z)
FFHFlow: Diverse and Uncertainty-Aware Dexterous Grasp Generation via Flow Variational Inference [36.02645364048733]
本稿では,多種多様な頑健なマルチフィンガーグリップを生成するフローベース変分フレームワークFFHFlowを提案する。流れの可逆性と正確な確率を利用して、FFHFlowは部分的な観測において不確実性を形成する。また,不確実性を考慮したランキング戦略を定式化することにより,識別的把握評価器をフロー可能性と統合する。
論文参考訳（メタデータ） (2024-07-21T13:33:08Z)
FedUV: Uniformity and Variance for Heterogeneous Federated Learning [5.9330433627374815]
フェデレーション学習は、広く分散されたデータでニューラルネットワークをトレーニングするための有望なフレームワークである。最近の研究によると、ネットワークの最終層が局所バイアスの傾向が最も大きいためである。凍結重量が一定の特異値をもたらすという観測によって動機付けられた重みにSVDを適用して分類器の訓練力学を考察する。
論文参考訳（メタデータ） (2024-02-27T15:53:15Z)
Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
論文参考訳（メタデータ） (2023-10-04T07:14:43Z)
Distributional Drift Adaptation with Temporal Conditional Variational Autoencoder for Multivariate Time Series Forecasting [41.206310481507565]
本稿では,時間経過に伴う動的分布依存をモデル化するための時間的条件変動自動符号化(TCVAE)を提案する。 TCVAEは、依存関係を時間的条件分布として推論し、潜伏変数を活用する。現状のMTS予測ベースラインに対して,TCVAEの強靭性と有効性を示す。
論文参考訳（メタデータ） (2022-09-01T10:06:22Z)
Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
論文参考訳（メタデータ） (2021-10-24T07:58:13Z)
Accuracy on the Line: On the Strong Correlation Between Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
論文参考訳（メタデータ） (2021-07-09T19:48:23Z)
Autoencoding Variational Autoencoder [56.05008520271406]
我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
論文参考訳（メタデータ） (2020-12-07T14:16:14Z)
Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。