論文の概要: Symmetry Guarantees Statistic Recovery in Variational Inference

• arxiv url: http://arxiv.org/abs/2604.18310v1
• Date: Mon, 20 Apr 2026 14:16:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.927143
• Title: Symmetry Guarantees Statistic Recovery in Variational Inference
• Title（参考訳）: 変分推論における統計回復のための対称性保証
• Authors: Daniel Marks, Dario Paccagnan, Mark van der Wilk,
• Abstract要約: 変分推論における対称性による統計回復の理論を考案する。 本理論の特殊な事例として,これまで知られていた地域規模家族の統計回復保証が生じることを示す。
• 参考スコア（独自算出の注目度）: 13.924999891222237
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Variational inference (VI) is a central tool in modern machine learning, used to approximate an intractable target density by optimising over a tractable family of distributions. As the variational family cannot typically represent the target exactly, guarantees on the quality of the resulting approximation are crucial for understanding which of its properties VI can faithfully capture. Recent work has identified instances in which symmetries of the target and the variational family enable the recovery of certain statistics, even under model misspecification. However, these guarantees are inherently problem-specific and offer little insight into the fundamental mechanism by which symmetry forces statistic recovery. In this paper, we overcome this limitation by developing a general theory of symmetry-induced statistic recovery in variational inference. First, we characterise when variational minimisers inherit the symmetries of the target and establish conditions under which these pin down identifiable statistics. Second, we unify existing results by showing that previously known statistic recovery guarantees in location-scale families arise as special cases of our theory. Third, we apply our framework to distributions on the sphere to obtain novel guarantees for directional statistics in von Mises-Fisher families. Together, these results provide a modular blueprint for deriving new recovery guarantees for VI in a broad range of symmetry settings.
• Abstract（参考訳）: 変分推論(VI)は現代の機械学習において中心的なツールであり、抽出可能な分布の族を最適化することで、抽出可能なターゲット密度を近似するために用いられる。 変分族は通常ターゲットを正確に表現できないため、結果として得られる近似の質の保証は、その性質のどれが忠実に捕獲できるかを理解するのに不可欠である。 近年の研究では、モデル不特定の下でも、ターゲットと変分族が特定の統計の回復を可能にする事例が特定されている。 しかしながら、これらの保証は本質的に問題固有のものであり、対称性が統計的回復を強いる基本的なメカニズムについてはほとんど洞察を与えない。 本稿では、この制限を、変分推論における対称性誘起統計回復の一般理論を開発することによって克服する。 まず、変動最小化器が対象の対称性を継承し、それらが識別可能な統計をピンダウンする条件を確立するときの特徴付けを行う。 第2に、我々の理論の特別な事例として、これまで知られていた統計的回復保証が、位置スケールの家族に生じることを示すことによって、既存の結果を統一する。 第三に、我々のフレームワークを球面上の分布に適用し、フォン・ミセス=フィッシャー家における方向統計の新しい保証を得る。 これらの結果は、広範囲の対称性設定でVIに対する新たな回復保証を導出するためのモジュラーブループリントを提供する。

関連論文リスト

• Geometric Calibration and Neutral Zones for Uncertainty-Aware Multi-Class Classification [0.0]
  この研究は情報幾何学と統計的学習を橋渡しし、厳密な検証を必要とするアプリケーションにおいて不確実性を認識した分類の正式な保証を提供する。 アデノ関連ウイルスの分類に関する実証的な検証は、2段階のフレームワークが72.5%のエラーをキャプチャし、34.5%のサンプルを遅延させ、自動決定エラー率を16.8%から6.9%に下げていることを示している。
  論文  参考訳（メタデータ） (2025-11-26T01:29:49Z)
• Equivariant Representation Learning for Symmetry-Aware Inference with Guarantees [20.285132886770146]
  本稿では,回帰,条件付き確率推定,不確実性定量化を同時に扱う同変表現学習フレームワークを提案する。 演算子と群表現論を基礎として,条件付き期待演算子のスペクトル分解を近似する。 人工データセットと実世界のロボット工学の応用に関する実証的な評価は、我々のアプローチの可能性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-05-26T10:47:23Z)
• Feature Statistics with Uncertainty Help Adversarial Robustness [19.01087281157066]
  敵の攻撃は 特徴統計の分布を 変える傾向がある 頑健性向上のための不確実性駆動型特徴統計調整モジュールを提案する。 提案されたFSUモジュールは、トレーニング、アタック、予測、微調整に普遍的に適用可能である。
  論文  参考訳（メタデータ） (2025-03-26T14:30:33Z)
• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• Emergent Asymmetry of Precision and Recall for Measuring Fidelity and Diversity of Generative Models in High Dimensions [15.777510451215752]
  次元の数が増加するにつれて、2つのモデル分布はそれぞれの分布によらず全く異なる精度とリコールを持つことが示される。 次に、これらの測度に対して、次元の数に関係なく対称な測度を構築するための、単純かつ効果的な修正を提供する。
  論文  参考訳（メタデータ） (2023-06-16T04:18:04Z)
• Random Forest Weighted Local Fréchet Regression with Random Objects [18.128663071848923]
  本稿では,新しいランダム森林重み付き局所Fr'echet回帰パラダイムを提案する。 最初の方法は、これらの重みを局所平均として、条件付きFr'echet平均を解くことである。 第二の手法は局所線形Fr'echet回帰を行い、どちらも既存のFr'echet回帰法を大幅に改善した。
  論文  参考訳（メタデータ） (2022-02-10T09:10:59Z)
• Differential privacy and robust statistics in high dimensions [49.50869296871643]
  高次元Propose-Test-Release (HPTR) は指数的メカニズム、頑健な統計、Propose-Test-Release メカニズムという3つの重要なコンポーネントの上に構築されている。 本論文では,HPTRが複数のシナリオで最適サンプル複雑性をほぼ達成していることを示す。
  論文  参考訳（メタデータ） (2021-11-12T06:36:40Z)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)
• The Risks of Invariant Risk Minimization [52.7137956951533]
  不変リスク最小化(Invariant Risk Minimization)は、データの深い不変性を学ぶという考え方に基づく目標である。 我々は、IRMの目的に基づく分類の最初の分析と、最近提案されたこれらの代替案について、かなり自然で一般的なモデルで分析する。 IRMは、テストデータがトレーニング分布と十分に類似していない限り、破滅的に失敗する可能性がある。
  論文  参考訳（メタデータ） (2020-10-12T14:54:32Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。