論文の概要: Amortized Vine Copulas for High-Dimensional Density and Information Estimation

• arxiv url: http://arxiv.org/abs/2604.20568v1
• Date: Wed, 22 Apr 2026 13:49:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:11.151831
• Title: Amortized Vine Copulas for High-Dimensional Density and Information Estimation
• Title（参考訳）: 高次元密度・情報推定のためのアモルタイズVine Copula
• Authors: Houman Safaai,
• Abstract要約: 本研究では,二変量デノゲーションモデルを訓練し,すべてのブドウの葉に再利用するアモールト化ブドウコプラパイプラインであるVine Denoising Copula (VDC)を提案する。 各エッジに対して、擬似観測が与えられた場合、モデルは密度格子を予測し、次に非負性、単位質量、一様辺縁を強制するIPFP/シンクホーンプロジェクションを適用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling high-dimensional dependencies while keeping likelihoods tractable remains challenging. Classical vine-copula pipelines are interpretable but can be expensive, while many neural estimators are flexible but less structured. In this work, we propose Vine Denoising Copula (VDC), an amortized vine-copula pipeline that trains a single bivariate denoising model and reuses it across all vine edges. For each edge, given pseudo-observations, the model predicts a density grid. We then apply an IPFP/Sinkhorn projection that enforces non-negativity, unit mass, and uniform marginals. This keeps the exact vine likelihood and preserves the usual copula interpretation while replacing repeated per-edge optimization with GPU inference. Across synthetic and real-data benchmarks, VDC delivers strong bivariate density accuracy, competitive MI/TC estimation, and substantial speedups for high-dimensional vine fitting. In practice, these gains make explicit information estimation and dependence decomposition feasible at scales where repeated vine fitting would otherwise be costly, although conditional downstream inference remains mixed.
• Abstract（参考訳）: 高次元の依存関係をモデル化し、抽出可能な可能性を維持することは依然として困難である。 古典的なVine-copulaパイプラインは解釈可能であるが、高価である。 本研究では,2変量デノゲーションモデルを1つのモデルで訓練し,すべてのワインエッジで再利用するアモルト化ブドウコプラパイプラインであるVine Denoising Copula (VDC)を提案する。 擬似観測が与えられた各エッジに対して、モデルは密度格子を予測する。 次にIPFP/シンクホーンプロジェクションを適用し、非負性、単位質量、一様辺縁を強制する。 これは、エッジごとの繰り返し最適化をGPU推論に置き換えつつ、正確なVineの可能性を保ち、通常のコプラ解釈を保存する。 合成および実データベンチマーク全体にわたって、VDCは強い二変量密度の精度、競争力のあるMI/TC推定、高次元ブドウ栽培のための実質的なスピードアップを提供する。 実際には、これらの利得は、条件付き下流推論が混在しているにもかかわらず、繰り返しブドウの嵌合がコストがかかるスケールで、明示的な情報推定と依存分解を可能にする。

関連論文リスト

• Score-Based Model for Low-Rank Tensor Recovery [49.158601255093416]
  低ランクテンソル分解(TD)は、マルチウェイデータ解析に有効なフレームワークを提供する。 従来のTD法は、CPやタッカー分解のような事前定義された構造的仮定に依存している。 本稿では,事前定義された構造的仮定や分布的仮定の必要性を排除したスコアベースモデルを提案する。
  論文  参考訳（メタデータ） (2025-06-27T15:05:37Z)
• Low-Rank Tensor Recovery via Variational Schatten-p Quasi-Norm and Jacobian Regularization [49.85875869048434]
  暗黙的神経表現のためのニューラルネットワークによりパラメータ化されたCPベースの低ランクテンソル関数を提案する。 本研究では、スペーサーCP分解を実現するために、冗長なランク1成分に変分Schatten-p quasi-normを導入する。 滑らか性のために、ヤコビアンとハッチンソンのトレース推定器のスペクトルノルムに基づく正規化項を提案する。
  論文  参考訳（メタデータ） (2025-06-27T11:23:10Z)
• Vine Copulas as Differentiable Computational Graphs [7.87903514809639]
  本稿では,マルチレベルなVine構造と関連する計算を抽象化するDAGであるVine計算グラフを紹介する。 我々は、条件付きサンプリング、効率的なサンプリング順序スケジューリング、およびカスタマイズされた条件付き変数のためのVine構造の構築のための新しいアルゴリズムを考案する。 PyTorch上に構築されたGPUアクセラレーションされたPythonライブラリであるTorchvinecopulibにこれらのアイデアを実装し、適合性、サンプリング、密度評価のためのスケーラビリティを改善した。
  論文  参考訳（メタデータ） (2025-06-16T09:57:36Z)
• Variational Bayes image restoration with compressive autoencoders [6.689746581015932]
  逆問題の正規化は、計算イメージングにおいて最重要となる。 本研究では,まず,最先端生成モデルの代わりに変分オートエンコーダを提案する。 第2の貢献として、変分推論内で潜時推定を行う変分ベイズ潜時推定(VBLE)アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2023-11-29T15:49:31Z)
• Investigating and Improving Latent Density Segmentation Models for Aleatoric Uncertainty Quantification in Medical Imaging [21.311726807879456]
  イメージセグメンテーションでは、この問題に対処するために潜在密度モデルを利用することができる。 最も一般的なアプローチは確率的U-Net (PU-Net) である。 我々は,すべての潜伏次元における等質性を促進するために,相互情報更新とエントロピー規則化されたシンクホーン更新を導入する。
  論文  参考訳（メタデータ） (2023-07-31T14:09:03Z)
• Estimating Higher-Order Mixed Memberships via the $\ell_{2,\infty}$ Tensor Perturbation Bound [8.521132000449766]
  テンソルブロックモデルの一般化であるテンソル混合メンバーシップブロックモデルを提案する。 我々は,モデルの同定可能性を確立し,計算効率の良い推定手法を提案する。 本手法を実データおよびシミュレーションデータに適用し,個別のコミュニティメンバーシップを持つモデルから特定できない効果を示す。
  論文  参考訳（メタデータ） (2022-12-16T18:32:20Z)
• Flexible Amortized Variational Inference in qBOLD MRI [56.4324135502282]
  データから酸素抽出率(OEF)と脱酸素血液量(DBV)をより明瞭に決定する。 既存の推論手法では、DBVを過大評価しながら非常にノイズの多い、過小評価されたEFマップが得られる傾向にある。 本研究は, OEFとDBVの可算分布を推定できる確率論的機械学習手法について述べる。
  論文  参考訳（メタデータ） (2022-03-11T10:47:16Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• Model-based multi-parameter mapping [0.0]
  定量的MRイメージングは、よりリッチな情報の内容と標準化された測定基準のためにますます好まれている。 推定はしばしば、異なる量のデータを分離して解くために、データのノイズサブセットを仮定する。 代わりに、生成モデルは定式化され、パラメータ推定を共同で回復するために反転することができる。
  論文  参考訳（メタデータ） (2021-02-02T17:00:11Z)
• TraDE: Transformers for Density Estimation [101.20137732920718]
  TraDEは自己回帰密度推定のための自己アテンションに基づくアーキテクチャである。 本稿では, 生成したサンプルを用いた回帰, 分布外検出, トレーニングデータにおける雑音に対する頑健性などのタスクについて述べる。
  論文  参考訳（メタデータ） (2020-04-06T07:32:51Z)

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。