論文の概要: Supercharging Bayesian Inference with Reliable AI-Informed Priors
- arxiv url: http://arxiv.org/abs/2605.09834v1
- Date: Mon, 11 May 2026 00:21:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.443149
- Title: Supercharging Bayesian Inference with Reliable AI-Informed Priors
- Title（参考訳）: 信頼度の高いAIインフォームドプリミティブによるベイズ推論
- Abstract要約: そこで本稿では, 先行情報に使用する前に, 合成データを生成するAI誘発法則を正すAIインフォームド・プレエンシテーションの枠組みを提案する。
我々の修正されたAIプリエントは、標準的なアプローチに比べてバイアスを大幅に減らし、信頼できるインターバルのカバレッジを改善し、AIによる事前情報をより信頼性を高める。
- 参考スコア（独自算出の注目度）: 2.7930955543692817
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern predictive systems encode beliefs that can act as useful prior information for statistical inference in data-limited settings. Using them for prior construction introduces a tradeoff: an informative prior built from a predictive model can sharpen inference from limited data, but also risks propagating error from the model into the posterior. We propose a framework for AI-informed prior elicitation that mitigates this tension by rectifying the AI-induced law that generates synthetic data before using it to inform a prior. The rectified law can be embedded into synthetic data-driven prior elicitation techniques, including as a base measure in a Dirichlet process (DP) prior on the data-generating process. We refer to the resulting prior and corresponding posterior as the rectified AI prior and rectified AI posterior. We establish Gaussian asymptotics for the rectified AI posterior under non-vanishing prior strength and derive a first-order expression for its centering bias. Our rectified AI priors substantially reduce bias compared to standard approaches, improve the coverage of credible intervals, and make AI-powered prior information more reliable. We additionally apply the rectified AI prior to a real skin disease classification task and show that it can meaningfully boost predictive performance.
- Abstract（参考訳）: 現代の予測システムは、データ制限設定における統計的推論のための有用な事前情報として機能する信念を符号化する。
予測モデルから構築された情報的事前は、限られたデータから推測を絞り込むだけでなく、モデルから後部へのエラーの伝播のリスクも負う。
本稿では,この緊張を緩和するAIインフォームド・プレエンシテーションの枠組みを提案し,その前に合成データを生成するAIインフォームド・ルールを修正し,先行情報を伝達する。
修正された法則は、データ生成プロセスに先立って、ディリクレプロセス(DP)の基盤となる指標を含む、合成データ駆動の先取り手法に組み込むことができる。
得られた先行および対応する後部を、修正AI前部および修正AI後部と呼ぶ。
我々は、非消滅前の強みの下で修正AI後部に対するガウス的漸近を定め、その中心バイアスに対する一階述語表現を導出する。
我々の修正されたAIプリエントは、標準的なアプローチに比べてバイアスを大幅に減らし、信頼できるインターバルのカバレッジを改善し、AIによる事前情報をより信頼性を高める。
さらに, 皮膚疾患分類タスクに先立って修正AIを適用し, 予測性能を有意に向上させることができることを示す。
関連論文リスト
- The FIL Hypothesis: Inductive Biases Help with Kernel Engineering [88.25617363280156]
計算とデータでスケールする汎用的手法は、最終的には人間の知識を組み込んだ方法よりも優れている。
フィードバック情報ループ(FIL)の期間という,新しい,重要なスケーリングの次元を観察することで,この原則を再考する。
科学と物理の世界における未来のAI応用には、本質的に数時間から数週間にわたるFILが関与する、と私たちは主張する。
論文 参考訳（メタデータ） (2026-06-29T15:16:33Z) - Empirical Likelihood with Generative AI [0.0]
指数関数的に傾いた経験的可能性に基づく非パラメトリックベイズ的枠組みを提案する。
推論はディリクレ過程からモーメント制限モデルへの後引きを投影することで進行する。
一晩のニュース見出しを用いて予測を返すアプリケーションでは、AI生成補助データが間接正規化の有用な情報源となることを示す。
論文 参考訳（メタデータ） (2026-05-29T23:21:50Z) - Can We Predict Before Executing Machine Learning Agents? [74.39460101251792]
データ中心のソリューション優先のタスクを形式化し、18,438対比較の包括的コーパスを構築する。
検証データ解析レポートを作成した場合, LLM は重要な予測能力を示すことを示す。
このフレームワークをForEAGENT(Predict-then-Verifyループを利用するエージェント)でインスタンス化し、実行ベースラインを+6%超えながらコンバージェンスを6倍高速化する。
論文 参考訳（メタデータ） (2026-01-09T16:44:17Z) - AI-Powered Bayesian Inference [0.0]
ジェネレーティブ・人工知能(GAI)は、社会が知識の獲得についてどう考えるかを変えるインフレクティブ・ポイントを提唱している。
GAIは意思決定に対して完全に信頼できないが、意思決定パイプラインに統合可能な貴重な情報を提供することもある。
与えられたプロンプトに対する可変回答を利用して、AI予測の確実性を反映した事前分布を構築することができる。
論文 参考訳（メタデータ） (2025-02-26T15:42:06Z) - AutoElicit: Using Large Language Models for Expert Prior Elicitation in Predictive Modelling [53.54623137152208]
我々はAutoElicitを導入し、大規模言語モデルから知識を抽出し、予測モデルのための事前構築を行う。
これらの先行情報は情報的であり、自然言語を用いて洗練できることを示す。
AutoElicitは、非形式的な事前よりもエラーを大幅に減らし、ラベルを減らし、コンテクスト内学習を一貫して上回ります。
論文 参考訳（メタデータ） (2024-11-26T10:13:39Z) - Unrolled denoising networks provably learn optimal Bayesian inference [54.79172096306631]
我々は、近似メッセージパッシング(AMP)のアンロールに基づくニューラルネットワークの最初の厳密な学習保証を証明した。
圧縮センシングでは、製品から引き出されたデータに基づいてトレーニングを行うと、ネットワークの層がベイズAMPで使用されるのと同じデノイザーに収束することを示す。
論文 参考訳（メタデータ） (2024-09-19T17:56:16Z) - Informed Spectral Normalized Gaussian Processes for Trajectory Prediction [0.0]
本稿では,SNGPの正規化に基づく連続学習手法を提案する。
提案手法は確立された手法に基づいており,リハーサルメモリやパラメータ拡張を必要としない。
本研究では, 自律運転における軌道予測問題に対する情報SNGPモデルの適用について検討した。
論文 参考訳（メタデータ） (2024-03-18T17:05:24Z) - Synthetic data, real errors: how (not) to publish and use synthetic data [86.65594304109567]
生成過程が下流MLタスクにどのように影響するかを示す。
本稿では、生成プロセスモデルパラメータの後方分布を近似するために、Deep Generative Ensemble (DGE)を導入する。
論文 参考訳（メタデータ） (2023-05-16T07:30:29Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳（メタデータ） (2021-07-05T12:44:39Z) - Generalizing Variational Autoencoders with Hierarchical Empirical Bayes [6.273154057349038]
確率的生成モデルのための計算的に安定なフレームワークである階層的経験的ベイズオートエンコーダ(HEBAE)を提案する。
鍵となる貢献は2つであり、まず、符号化分布を階層的に優先することで、再構成損失関数の最小化と過正規化の回避とのトレードオフを適応的にバランスさせることで、利益を得る。
論文 参考訳（メタデータ） (2020-07-20T18:18:39Z) - Predictive Complexity Priors [3.5547661483076998]
本稿では,モデルの予測と参照モデルの予測を比較して定義する機能的先行モデルを提案する。
もともとはモデル出力で定義されていたが、変数の変更によってモデルパラメータの前の値を転送する。
我々は,高次元回帰,ニューラルネットワーク深度の推論,数ショット学習における統計的強度の共有に先立って,予測複雑性を適用した。
論文 参考訳（メタデータ） (2020-06-18T18:39:49Z)
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。