論文の概要: A First Step Towards Even More Sparse Encodings of Probability Distributions

• arxiv url: http://arxiv.org/abs/2603.29691v1
• Date: Tue, 31 Mar 2026 12:46:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.660724
• Title: A First Step Towards Even More Sparse Encodings of Probability Distributions
• Title（参考訳）: 確率分布のよりスパースなエンコーディングに向けた第一歩
• Authors: Florian Andreas Marwitz, Tanya Braun, Ralf Möller,
• Abstract要約: 本稿では,より少ない値を必要とする確率分布から一階式を抽出する手法を提案する。 この縮小と最小化は、与えられた分布を一般化しながらエンコーディングにおける空間性を増加させることを可能にする。 評価の結果,コア情報を保存しながら短い公式の集合を抽出することで,空間性が大きく向上する可能性が示唆された。
• 参考スコア（独自算出の注目度）: 3.6431130041427964
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real world scenarios can be captured with lifted probability distributions. However, distributions are usually encoded in a table or list, requiring an exponential number of values. Hence, we propose a method for extracting first-order formulas from probability distributions that require significantly less values by reducing the number of values in a distribution and then extracting, for each value, a logical formula to be further minimized. This reduction and minimization allows for increasing the sparsity in the encoding while also generalizing a given distribution. Our evaluation shows that sparsity can increase immensely by extracting a small set of short formulas while preserving core information.
• Abstract（参考訳）: 現実のシナリオは、昇降確率分布でキャプチャできる。 しかし、分布は通常表やリストにエンコードされ、指数的な数の値を必要とする。 そこで本研究では,分布中の値の数を減らし,各値に対して論理式をさらに最小化することにより,より少ない値を必要とする確率分布から一階式を抽出する手法を提案する。 この縮小と最小化は、与えられた分布を一般化しながらエンコーディングにおける空間性を増加させることを可能にする。 評価の結果,コア情報を保存しながら短い公式の集合を抽出することで,空間性が大きく向上する可能性が示唆された。

関連論文リスト

• Distribution Prompting: Understanding the Expressivity of Language Models Through the Next-Token Distributions They Can Produce [16.149411731945968]
  いくつかの分布は、他の分布よりもはるかに困難であることを示す。 非常に低いエントロピーあるいは非常に高いエントロピーの分布は、中間エントロピーの分布よりも近似が容易である。
  論文  参考訳（メタデータ） (2025-05-18T05:49:48Z)
• A Pseudo-Semantic Loss for Autoregressive Models with Logical Constraints [87.08677547257733]
  ニューロシンボリックAIは、純粋にシンボリックな学習とニューラルな学習のギャップを埋める。 本稿では,ニューラルネットワークの出力分布に対するシンボリック制約の可能性を最大化する方法を示す。 また,スドクと最短経路予測の手法を自己回帰世代として評価した。
  論文  参考訳（メタデータ） (2023-12-06T20:58:07Z)
• Domain Generalization by Functional Regression [3.209698860006188]
  本稿では,機能回帰問題としての領域一般化について考察する。 我々の概念は、入力の辺分布から入力の対応する条件分布への線形演算子を学習するための新しいアルゴリズムに導かれる。
  論文  参考訳（メタデータ） (2023-02-09T16:07:21Z)
• A Dimensionality Reduction Method for Finding Least Favorable Priors with a Focus on Bregman Divergence [108.28566246421742]
  そこで本研究では,次元に明示的な有界な有限次元設定に最適化を移動させることができる次元削減法を開発した。 この問題を進展させるため、比較的大きな損失関数、すなわちブレグマンの発散によって引き起こされるベイズ的リスクに限定する。
  論文  参考訳（メタデータ） (2022-02-23T16:22:28Z)
• Evidential Softmax for Sparse Multimodal Distributions in Deep Generative Models [38.26333732364642]
  確率分布の多重性を保存するスパース正規化関数である$textitev-softmax$を提案する。 本稿では,多変量オートエンコーダや自動回帰アーキテクチャなど,多種多様な生成モデルについて評価する。
  論文  参考訳（メタデータ） (2021-10-27T05:32:25Z)
• Robust Learning of Optimal Auctions [84.13356290199603]
  本研究では、入札者の評価値のサンプルを逆向きに破損させたり、逆向きに歪んだ分布から引き出すことができる場合に、サンプルから収益-最適マルチバイダオークションを学習する問題について検討する。 我々は,コルモゴロフ-スミルノフ距離における元の分布に対して$alpha$-closeの「全ての真の分布」に対して,収入がほぼ同時に最適であるメカニズムを学習できる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-07-13T17:37:21Z)
• Approximating Probability Distributions by ReLU Networks [15.899159309486679]
  入力分布と近似誤差を与えられたニューラルネットワークを用いて目標確率分布を近似するニューロンはいくつ必要か? 本稿では,入力分布が均一で,対象分布がヒストグラム分布のクラスに属する場合のこの問題について検討する。 我々は、これまで存在していた上界よりも厳密に優れている必須ニューロンの数に新しい上界を得る。
  論文  参考訳（メタデータ） (2021-01-25T09:31:20Z)
• Distributional Reinforcement Learning via Moment Matching [54.16108052278444]
  ニューラルネットワークを用いて各戻り分布から統計量の有限集合を学習する手法を定式化する。 我々の手法は、戻り分布とベルマン目標の間のモーメントの全ての順序を暗黙的に一致させるものとして解釈できる。 Atariゲームスイートの実験により,本手法は標準分布RLベースラインよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-24T05:18:17Z)
• Log-Likelihood Ratio Minimizing Flows: Towards Robust and Quantifiable Neural Distribution Alignment [52.02794488304448]
  そこで本研究では,対数様比統計量と正規化フローに基づく新しい分布アライメント手法を提案する。 入力領域の局所構造を保存する領域アライメントにおいて,結果の最小化を実験的に検証する。
  論文  参考訳（メタデータ） (2020-03-26T22:10:04Z)

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。