論文の概要: A Stable Neural Statistical Dependence Estimator for Autoencoder Feature Analysis
- arxiv url: http://arxiv.org/abs/2603.11428v1
- Date: Thu, 12 Mar 2026 01:37:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-13 14:46:25.805933
- Title: A Stable Neural Statistical Dependence Estimator for Autoencoder Feature Analysis
- Title（参考訳）: オートエンコーダ特徴解析のための安定ニューラルネットワーク依存推定器
- Authors: Bo Hu, Jose C Principe,
- Abstract要約: 相互情報などの依存度測定は、オートエンコーダの分析には最適であるが、決定論的、静的、ノイズフリーなネットワークには不適当である。
我々は、入力、潜伏剤、そして測定可能な再構成に依存させる変分(ガウス)定式化を採用する。
正則密度比分解に基づく安定な神経依存推定器を提案する。
- 参考スコア（独自算出の注目度）: 6.697324698653934
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Statistical dependence measures like mutual information is ideal for analyzing autoencoders, but it can be ill-posed for deterministic, static, noise-free networks. We adopt the variational (Gaussian) formulation that makes dependence among inputs, latents, and reconstructions measurable, and we propose a stable neural dependence estimator based on an orthonormal density-ratio decomposition. Unlike MINE, our method avoids input concatenation and product-of-marginals re-pairing, reducing computational cost and improving stability. We introduce an efficient NMF-like scalar objective and demonstrate empirically that assuming Gaussian noise to form an auxiliary variable enables meaningful dependence measurements and supports quantitative feature analysis, with a sequential convergence of singular values.
- Abstract（参考訳）: 相互情報のような統計的依存度は、オートエンコーダの分析には最適であるが、決定論的、静的、ノイズフリーなネットワークには不適当である。
本稿では, 入力, 潜伏剤, 再構成物間の依存度を測定可能な変分式(ガウス式)を採用し, 正規分布密度比分解に基づく安定な神経依存度推定器を提案する。
MINEとは異なり、本手法は入力結合や商品の再ペアリングを回避し、計算コストを低減し、安定性を向上させる。
ガウス雑音を補助変数として仮定すると有意な依存性の測定が可能となり,特異値の逐次収束による定量的特徴解析が可能であることを実証的に示す。
関連論文リスト
- SPPCSO: Adaptive Penalized Estimation Method for High-Dimensional Correlated Data [7.338284747998038]
本研究では, 単パラメータ主成分選択演算子 (SPPCSO) を提案する。
単パラメトリックの主成分回帰と$L_1$正規化を統合し、主成分情報を組み込むことで収縮率を適応的に調整する。
可変選択と係数推定のバランスを保ち、高次元高雑音環境においてもモデル安定性とロバスト推定を確実にする。
論文 参考訳（メタデータ） (2026-03-06T13:10:05Z) - Profiling systematic uncertainties in Simulation-Based Inference with Factorizable Normalizing Flows [0.0]
そこで本研究では,ニュアンスパラメータを効率的にプロファイリングするシミュレーションベース推論の汎用フレームワークを提案する。
本稿では,分類可能な正規化フローを導入し,体系的な変動を名目密度のパラメトリックとしてモデル化する。
我々は,単一最適化プロセスにおけるニュアンスパラメータに対するDoIの条件依存を学習する償却訓練戦略を開発する。
これにより、基礎となる分布の同時抽出とニュアンセの堅牢なプロファイリングが可能となる。
論文 参考訳（メタデータ） (2026-02-13T18:48:12Z) - Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。
既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。
我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
論文 参考訳（メタデータ） (2026-02-11T02:00:25Z) - LVM-GP: Uncertainty-Aware PDE Solver via coupling latent variable model and Gaussian process [9.576396359649921]
雑音データを用いたPDEの解法における不確実性定量化のための新しいフレームワーク LVM-GP を提案する。
アーキテクチャは信頼を意識したエンコーダと確率的デコーダで構成される。
論文 参考訳（メタデータ） (2025-07-30T09:00:39Z) - Fragment size density estimator for shrinkage-induced fracture based on a physics-informed neural network [0.0]
本稿では,縮小に伴う断片化をモデル化した積分微分方程式に対するニューラルネットワーク(NN)に基づく解法を提案する。
提案手法は,制御方程式を数値的に解くことなく,入力パラメータを対応する確率密度関数に直接マッピングする。
モンテカルロシミュレーションにおける密度関数の効率的な評価を可能にし、従来の有限差分スキームに匹敵する精度を維持する。
論文 参考訳（メタデータ） (2025-07-15T23:33:05Z) - Regulating Model Reliance on Non-Robust Features by Smoothing Input Marginal Density [93.32594873253534]
信頼できる機械学習は、非ロバストな特徴に依存するモデルの厳密な規制を必要とする。
本稿では,モデル予測を入力に関連付けることによって,そのような特徴を記述・規制するフレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-05T09:16:56Z) - Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。
本手法は, 精度の高い問題に特に適している。
提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文 参考訳（メタデータ） (2023-11-08T00:10:21Z) - Numerically Stable Sparse Gaussian Processes via Minimum Separation
using Cover Trees [57.67528738886731]
誘導点に基づくスケーラブルスパース近似の数値安定性について検討する。
地理空間モデリングなどの低次元タスクに対しては,これらの条件を満たす点を自動計算する手法を提案する。
論文 参考訳（メタデータ） (2022-10-14T15:20:17Z) - Instability, Computational Efficiency and Statistical Accuracy [101.32305022521024]
我々は,人口レベルでのアルゴリズムの決定論的収束率と,$n$サンプルに基づく経験的対象に適用した場合の(不安定性)の間の相互作用に基づいて,統計的精度を得るフレームワークを開発する。
本稿では,ガウス混合推定,非線形回帰モデル,情報的非応答モデルなど,いくつかの具体的なモデルに対する一般結果の応用について述べる。
論文 参考訳（メタデータ） (2020-05-22T22:30:52Z)
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。