論文の概要: \texttt{BayesBreak}: Generalized Hierarchical Bayesian Segmentation with Irregular Designs, Multi-Sample Hierarchies, and Grouped/Latent-Group Designs

• arxiv url: http://arxiv.org/abs/2603.14681v1
• Date: Mon, 16 Mar 2026 00:36:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.964572
• Title: \texttt{BayesBreak}: Generalized Hierarchical Bayesian Segmentation with Irregular Designs, Multi-Sample Hierarchies, and Grouped/Latent-Group Designs
• Title（参考訳）: \texttt{BayesBreak}:不規則な設計、マルチサンプル階層、グループ/ラテントグループ設計を伴う一般化階層的ベイズ的セグメンテーション
• Authors: Omid Shams Solari,
• Abstract要約: 厳密な推論は、狭い可能性クラス、単一シーケンス設定、インデックス・ユニフォームの設計と結びついていることが多い。 textttBayesBreakは、単純な分離を中心に構築されたモジュール型のオフラインベイズセグメンテーションフレームワークである。 共役前駆体を持つ重み付き指数家族確率に対しては、ブロック証拠と後部モーメントは累積的十分な統計量から閉形式で利用できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bayesian change-point and segmentation models provide uncertainty-aware piecewise-constant representations of ordered data, but exact inference is often tied to narrow likelihood classes, single-sequence settings, or index-uniform designs. We present \texttt{BayesBreak}, a modular offline Bayesian segmentation framework built around a simple separation: each candidate block contributes a marginal likelihood and any required moment numerators, and a global dynamic program combines those block scores into posterior quantities over segment counts, boundary locations, and latent signals. For weighted exponential-family likelihoods with conjugate priors, block evidences and posterior moments are available in closed form from cumulative sufficient statistics, yielding exact sum-product inference for $P(y\mid k)$, $P(k\mid y)$, boundary marginals, and Bayes regression curves. We also distinguish these quantities from the \emph{joint} MAP segmentation, which is recovered by a separate max-sum backtracking recursion.
• Abstract（参考訳）: ベイズ的変化点とセグメンテーションモデルは、順序づけられたデータの不確実性を意識した断片的整合表現を提供するが、正確な推論はしばしば狭い空白クラス、単一シーケンス設定、インデックス・ユニフォームの設計と結びついている。 それぞれの候補ブロックは、余剰確率と必要なモーメント演算子に寄与し、グローバルな動的プログラムは、これらのブロックのスコアをセグメント数、境界位置、潜時信号よりも後続量に結合する。 共役前駆体を持つ重み付き指数家族確率に対しては、ブロックエビデンスと後続モーメントは累積的十分統計量から閉形式として利用でき、正確な総和積は$P(y\mid k)$, $P(k\mid y)$, boundary marginals, and Bayes regression curves である。 また、これらの量は、分離されたmax-sumバックトラック再帰によって回収される \emph{joint} MAP セグメンテーションと区別する。

関連論文リスト

• Learning Centre Partitions from Summaries [0.21748200848556343]
  中心をまたいだパラメータの均一性はしばしば違反し、評価の前に、等式とエンフリーン中心群を両立させる動機付け法がしばしば犯される。 等式が拒否されない場合にのみ中心(またはブロック)をマージする逐次テスト駆動型EmphClusters-of-Centres(CoC)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2025-09-19T18:25:06Z)
• Revisiting Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [85.51611950757643]
  IAC (Instance-Adaptive Clustering, インスタンス適応クラスタリング) を提案する。 IACは$ MathcalO(n, textpolylog(n) $の計算複雑性を維持しており、大規模問題に対してスケーラブルで実用的なものである。
  論文  参考訳（メタデータ） (2023-06-18T08:46:06Z)
• Generalization Bounds for Stochastic Gradient Descent via Localized $\varepsilon$-Covers [16.618918548497223]
  本稿では,SGDの軌道に局在する新しい被覆手法を提案する。 このローカライゼーションは、境界数によって測定されるアルゴリズム固有のクラスタリングを提供する。 これらの結果は様々な文脈で導き出され、既知の最先端のラベルレートが向上する。
  論文  参考訳（メタデータ） (2022-09-19T12:11:07Z)
• Change-point Detection and Segmentation of Discrete Data using Bayesian Context Trees [3.2771631221674333]
  最近導入されたBayesian Context Trees (BCT) フレームワークに基づいて構築され、離散時系列における異なるセグメントの分布を可変メモリマルコフ連鎖として記述する。 変化点の存在と位置の推測はマルコフ連鎖モンテカルロサンプリングによって行われる。 シミュレーションと実世界の両方のデータから,提案手法は最先端技術よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-03-08T19:03:21Z)
• Optimal Clustering with Bandit Feedback [57.672609011609886]
  本稿では,バンディットフィードバックを用いたオンラインクラスタリングの問題点について考察する。 これは、NPハード重み付きクラスタリング問題をサブルーチンとして解決する必要性を回避するための、シーケンシャルなテストのための新しい停止規則を含む。 合成および実世界のデータセットの広範なシミュレーションを通して、BOCの性能は下界と一致し、非適応的ベースラインアルゴリズムよりも大幅に優れることを示す。
  論文  参考訳（メタデータ） (2022-02-09T06:05:05Z)
• A Bayesian Approach to Block-Term Tensor Decomposition Model Selection and Computation [10.91885508254207]
  いわゆるブロック項分解(BTD)テンソルモデル(特にランク=(L_r,L_r,1)$バージョン)は近年注目を集めている。 BTDモデル構造、すなわちブロック項の数とその個々のランクを推定するという課題は、最近になって注目され始めたばかりです。 ランク-$(L_r,L_r,1)$ BTDモデルの選択と計算の問題を、列の間隔を直交するアイデアに基づいて解くためのベイズ的アプローチが採られる。
  論文  参考訳（メタデータ） (2021-01-08T09:37:21Z)
• Distributed, partially collapsed MCMC for Bayesian Nonparametrics [68.5279360794418]
  ディリクレ法やベータ・ベルヌーリ法のようなモデルでよく用いられる完全無作為測度は独立な部分測度に分解可能であるという事実を利用する。 この分解を用いて、潜在測度を、インスタンス化された成分のみを含む有限測度と、他のすべての成分を含む無限測度に分割する。 得られたハイブリッドアルゴリズムは、収束保証を犠牲にすることなくスケーラブルな推論を可能にすることができる。
  論文  参考訳（メタデータ） (2020-01-15T23:10:13Z)

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。