論文の概要: Empirical Likelihood with Generative AI

• arxiv url: http://arxiv.org/abs/2606.00425v1
• Date: Fri, 29 May 2026 23:21:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.397382
• Title: Empirical Likelihood with Generative AI
• Title（参考訳）: ジェネレーティブAIによる経験的嗜好
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Moment conditions are widely used to identify parameters in models where the full likelihood is either unknown or intentionally left unspecified. Empirical likelihood methods address this problem by assigning probability weights to the observed data so that the sample moment conditions hold exactly. Building on this idea, we propose a nonparametric Bayesian framework based on exponentially tilted empirical likelihood. This Bayesian formulation is particularly appealing in settings where prior information is more naturally specified on the observables rather than on the underlying parameters. Such settings arise in the presence of auxiliary data sources or synthetic data generated by modern generative AI models.Inference proceeds by projecting posterior draws from a Dirichlet process onto the moment-restricted model, yielding a computationally efficient procedure that is naturally amenable to parallelization. We establish new Bernstein--von Mises and consistency theorems for the resulting projection posterior under both vanishing-prior and persistent-prior regimes. In an application to return prediction using overnight news headlines, we show that AI-generated auxiliary data can provide a useful source of indirect regularization when informative priors on the parameter itself are unavailable.
• Abstract（参考訳）: モーメント条件は、完全な可能性が未知であるか故意に未特定のまま残されているモデルにおいてパラメータを特定するために広く用いられる。 実験的可能性法は、観測データに確率重みを割り当て、サンプルモーメント条件が正確に保持されるようにすることでこの問題に対処する。 この考えに基づいて、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。 このベイズ的定式化は、基礎となるパラメータよりも観測可能値に事前情報がより自然に特定される設定において特に魅力的である。 このような設定は、現代の生成AIモデルによって生成された補助データや合成データの存在下で発生し、推論はディリクレプロセスからモーメント制限されたモデルに後続の描画を投影し、並列化に自然に対応可能な計算効率の良い手順を生成する。 我々は、消滅する原始的かつ永続的な原始的体制の下で、新しいバーンスタイン-ヴォン・ミスと結果の射影後部に対する一貫性定理を確立する。 一晩のニュースの見出しから予測を返すアプリケーションでは、パラメータ自体への情報的先行情報が利用できない場合に、AIが生成した補助データが間接正規化の有用な情報源となることが示される。

関連論文リスト

• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• Self-Supervised Laplace Approximation for Bayesian Uncertainty Quantification [45.61685127984694]
  我々は,ベイズモデルの予測不確実性を,自己予測データに基づいて定量化する。 Self-Supervised Laplace Approximation (SSLA)のモジュール構造は、さまざまな事前仕様をプラグインすることができます。 高価なリフィットを回避すべく、ASSLAと呼ばれるSSLAの近似バージョンをさらに導入する。
  論文  参考訳（メタデータ） (2026-05-12T14:46:08Z)
• Non-Parametric Rehearsal Learning via Conditional Mean Embeddings [88.89267783967263]
  本研究では,不必要な未来(AUF)問題をテキスト化するための非パラメトリックリハーサル学習手法を提案する。 具体的には、カーネル機械を用いてAUFの目的を、動作誘起分布変化から所望性モデリングを遠ざける統一表現に再構成する。
  論文  参考訳（メタデータ） (2026-05-09T15:30:52Z)
• Prequential posteriors [2.831395148295604]
  逐次的(逐次的)損失関数に基づく前置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置 軽度条件下では、事前損失最小化器と、最適予測性能を持つパラメータまわりの逐次後部集中器の両方が有効であることを示す。 本手法は,合成多次元時系列と実世界の気象データセットの両方で検証する。
  論文  参考訳（メタデータ） (2025-11-21T19:18:19Z)
• 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)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Prediction of Locally Stationary Data Using Expert Advice [0.0]
  継続的機械学習の課題について考察する。 データフローを生成するソースの性質に関する仮定は使用されない。 局所定常時系列のオンライン予測アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-30T14:48:01Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
  シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。 あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。 モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-03T12:59:16Z)
• Bayesian Imaging With Data-Driven Priors Encoded by Neural Networks: Theory, Methods, and Algorithms [2.266704469122763]
  本稿では,事前知識がトレーニングデータとして利用可能である逆問題に対して,ベイズ推定を行う新しい手法を提案する。 容易に検証可能な条件下で,関連する後方モーメントの存在と適切性を確立する。 モデル精度解析により、データ駆動モデルによって報告されるベイズ確率は、頻繁な定義の下で著しく正確であることが示された。
  論文  参考訳（メタデータ） (2021-03-18T11:34:08Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)

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。