論文の概要: Even More Guarantees for Variational Inference in the Presence of Symmetries

• arxiv url: http://arxiv.org/abs/2604.21407v1
• Date: Thu, 23 Apr 2026 08:22:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.381334
• Title: Even More Guarantees for Variational Inference in the Presence of Symmetries
• Title（参考訳）: 対称性存在下での変分推論のさらなる保証
• Authors: Lena Zellinger, Antonio Vergari,
• Abstract要約: 我々は、ロバストVIの以前の結果を、ターゲット対称性の下で位置スケールの家族で拡張した。 我々は、Kulback-Leiblerの分岐と$$-divergencesを使用する場合、平均の正確な回復を保証する十分な条件を導出する。
• 参考スコア（独自算出の注目度）: 13.420568360763227
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: When approximating an intractable density via variational inference (VI) the variational family is typically chosen as a simple parametric family that very likely does not contain the target. This raises the question: Under which conditions can we recover characteristics of the target despite misspecification? In this work, we extend previous results on robust VI with location-scale families under target symmetries. We derive sufficient conditions guaranteeing exact recovery of the mean when using the forward Kullback-Leibler divergence and $α$-divergences. We further show how and why optimization can fail to recover the target mean in the absence of our sufficient conditions, providing initial guidelines on the choice of the variational family and $α$-value.
• Abstract（参考訳）: 変動推論 (VI) を通じて難解密度を近似する場合、変分族は通常、標的を含まない可能性が高い単純なパラメトリック族として選択される。 どの条件下で、不特定性にもかかわらずターゲットの特性を回復できるのか? 本研究では、ロバストVIの以前の結果を、ターゲット対称性の下で位置スケールの家族で拡張する。 我々は,Kulback-Leibler 分岐と$α$-divergences を用いた場合,平均値の正確な回復を保証する十分な条件を導出する。 さらに、我々の十分な条件がなければ、最適化がターゲット平均を回復できない理由と理由を示し、変分族と$α$-値の選択に関する最初のガイドラインを提供する。

関連論文リスト

• Symmetry Guarantees Statistic Recovery in Variational Inference [13.924999891222237]
  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。
  論文  参考訳（メタデータ） (2026-04-20T14:16:41Z)
• Generalized Guarantees for Variational Inference in the Presence of Even and Elliptical Symmetry [3.9655818200495734]
  位置スケールの家族との変分推論の対称性に基づく保証を提供する。 まず,VI が平均および相関行列を良好に回復する変動目的の性質を明らかにすることにより,より広範な分岐の族に対する保証を提供する。 第二に、ターゲット密度$p$が偶数および楕円対称性を示すときのVIのさらなる保証を得るが、その座標の全てではない。
  論文  参考訳（メタデータ） (2025-11-02T20:10:57Z)
• On Equivariant Model Selection through the Lens of Uncertainty [49.137341292207]
  等変モデルは、予測性能を改善するために対称性に関する事前の知識を活用するが、不特定なアーキテクチャ上の制約がそれを傷つける可能性がある。 我々は、頻繁な(コンフォーマル予測による)、ベイジアン(限界確率による)、およびキャリブレーションに基づく評価による誤りに基づく評価の比較を行った。 不確実性指標は一般的に予測性能と一致するが,ベイズ模型の証拠は矛盾する。
  論文  参考訳（メタデータ） (2025-06-23T13:35:06Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Decision-Focused Learning with Directional Gradients [1.2363103948638432]
  そこで我々は,予測最適化フレームワークとして,摂動勾配損失(PG損失)と呼ばれる,決定を意識した新たなサロゲート損失のファミリーを提案する。 通常、断片的に一定かつ不連続な元の決定損失とは異なり、新しいPG損失はリプシッツ連続であり、凹函数の違いである。 我々は,PG損失が,基礎モデルが不明確である場合に,既存の提案よりも実質上優れていることを示す数値的な証拠を提供する。
  論文  参考訳（メタデータ） (2024-02-05T18:14:28Z)
• Domain Adaptation under Missingness Shift [38.650099178537864]
  欠損度シフト(DAMS)下におけるドメイン適応問題について紹介する。 欠落したデータのレートは、しばしば記録保持ポリシーに依存するため、時間や場所によって変化する可能性がある。 合成データおよび半合成データの実験において,仮定が成立する際の手法の可能性を実証した。
  論文  参考訳（メタデータ） (2022-11-03T18:49:38Z)
• Variational Refinement for Importance Sampling Using the Forward Kullback-Leibler Divergence [77.06203118175335]
  変分推論(VI)はベイズ推論における正確なサンプリングの代替として人気がある。 重要度サンプリング(IS)は、ベイズ近似推論手順の推定を微調整し、偏りを逸脱するためにしばしば用いられる。 近似ベイズ推論のための最適化手法とサンプリング手法の新たな組み合わせを提案する。
  論文  参考訳（メタデータ） (2021-06-30T11:00:24Z)
• 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)
• 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)

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。