論文の概要: Variational Learning of Fractional Posteriors

• arxiv url: http://arxiv.org/abs/2603.27488v1
• Date: Sun, 29 Mar 2026 02:55:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.982056
• Title: Variational Learning of Fractional Posteriors
• Title（参考訳）: 分節後歯の変分学習
• Authors: Kian Ming A. Chai, Edwin V. Bonilla,
• Abstract要約: 本稿では,データエビデンスを低く抑え,近似分数後部の推定を可能にする新しい1パラメータ変動目標を提案する。 我々はこの枠組みを階層的な構成やベイズ後部まで拡張し、確率的モデリングのための汎用的なツールを提供する。 本研究は, 後方分節で訓練したVAEが, より優れたデコーダを生成することを示す。
• 参考スコア（独自算出の注目度）: 9.686414458075681
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We introduce a novel one-parameter variational objective that lower bounds the data evidence and enables the estimation of approximate fractional posteriors. We extend this framework to hierarchical construction and Bayes posteriors, offering a versatile tool for probabilistic modelling. We demonstrate two cases where gradients can be obtained analytically and a simulation study on mixture models showing that our fractional posteriors can be used to achieve better calibration compared to posteriors from the conventional variational bound. When applied to variational autoencoders (VAEs), our approach attains higher evidence bounds and enables learning of high-performing approximate Bayes posteriors jointly with fractional posteriors. We show that VAEs trained with fractional posteriors produce decoders that are better aligned for generation from the prior.
• Abstract（参考訳）: 本稿では,データエビデンスを低く抑え,近似分数後方推定を可能にする新しい1パラメータ変動目標を提案する。 我々はこの枠組みを階層的な構成やベイズ後部まで拡張し、確率的モデリングのための汎用的なツールを提供する。 解析的に勾配を求めることが可能な2つの事例と,従来の変分境界から得られた後部よりも高いキャリブレーションを達成できることを示す混合モデルを用いたシミュレーションを行った。 可変オートエンコーダ (VAE) に適用すると, 高いエビデンス境界を達成でき, 高い性能のベイズ後部と分節後部を同時に学習することができる。 本研究は, 後方分節で訓練したVAEが, より優れたデコーダを生成することを示す。

関連論文リスト

• VIKING: Deep variational inference with stochastic projections [48.946143517489496]
  変分平均場近似は、現代の過度にパラメータ化されたディープニューラルネットワークと競合する傾向がある。 パラメータ空間の2つの独立線型部分空間を考える単純な変分族を提案する。 これにより、オーバーパラメトリゼーションを反映した、完全に相関した近似後部を構築することができる。
  論文  参考訳（メタデータ） (2025-10-27T15:38:35Z)
• Generative Modeling with Bayesian Sample Inference [50.07758840675341]
  我々は,反復的なガウス後部推論から新しい生成モデルを導出した。 我々のモデルは、未知のサンプルを反復的に絞り込むために、一連の予測と後続の更新ステップを使用する。 実験では,BFNと近縁な変分拡散モデルの両方に対して,ImageNet32のサンプル品質が向上することが実証された。
  論文  参考訳（メタデータ） (2025-02-11T14:27:10Z)
• pcaGAN: Improving Posterior-Sampling cGANs via Principal Component Regularization [11.393603788068777]
  画像逆問題では、観測された測定値と真の画像の事前知識の両方に適合する仮説が多数存在する。 本稿では, 高速かつ高精度な後サンプリング条件生成対向ネットワーク (cGAN) を提案する。
  論文  参考訳（メタデータ） (2024-11-01T14:09:28Z)
• Scalable Bayesian Learning with posteriors [0.856335408411906]
  ベイズ学習の汎用実装をホストするPyTorchライブラリであるPostorsを導入する。 実験によりベイズ近似の有効性を実証・比較し,寒冷後部効果と大規模言語モデルを用いた応用について検討した。
  論文  参考訳（メタデータ） (2024-05-31T18:00:12Z)
• Refining Amortized Posterior Approximations using Gradient-Based Summary Statistics [0.9176056742068814]
  逆問題の文脈における後部分布の補正近似を改善するための反復的枠組みを提案する。 そこで我々は,本手法をスタイリング問題に適用して制御条件で検証し,改良された後部近似を各繰り返しで観察する。
  論文  参考訳（メタデータ） (2023-05-15T15:47:19Z)
• Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
  微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。 勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
  論文  参考訳（メタデータ） (2022-07-12T16:08:04Z)
• Challenges and Opportunities in High-dimensional Variational Inference [65.53746326245059]
  低次元後肢に対する近似家族と多様性に関する直観が高次元後肢に失敗する理由を示す。 高次元後方に対しては、最適化が最も容易かつ安定な排他的KL発散を用いることを推奨する。 低から中程度の次元では、重尾の変異族と質量被覆の分岐は、重要サンプリングによって近似を改善できる可能性を高めることができる。
  論文  参考訳（メタデータ） (2021-03-01T15:53:34Z)
• Mind the Gap when Conditioning Amortised Inference in Sequential Latent-Variable Models [9.862634768723131]
  ELBOの目的は, 部分的に固定した後肢を固定し, 平滑な後肢の積を近似することであった。 これらの理論的な結果は,交通流,手書き桁,航空機の動力学の3つのシナリオで実証される。 完全条件付き近似後処理を用いることで、生成モデリングと多段階予測の点で性能が向上する。
  論文  参考訳（メタデータ） (2021-01-18T12:53:39Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)

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。