Fugu-MT 論文翻訳(概要): Convergence Rates for Neural-Network Estimation with Current-Status Data

論文の概要: Convergence Rates for Neural-Network Estimation with Current-Status Data

arxiv url: http://arxiv.org/abs/2606.10119v1
Date: Mon, 08 Jun 2026 19:51:40 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-10 15:40:58.16696
Title: Convergence Rates for Neural-Network Estimation with Current-Status Data
Title（参考訳）: 電流統計データを用いたニューラルネットワーク推定における収束率
Authors: Yuan Wu, Tianhui Zhou,
Abstract要約: 現在の統計データは、イベント時刻が試験時間前に発生したかどうかの指標によってのみ観測されるときに発生する。本稿では,事象時刻の条件累積分布関数の非パラメトリックニューラルネットワークによる最大推定器について検討する。
参考スコア（独自算出の注目度）: 6.937781553019678
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Current-status data arise when an event time is observed only through an indicator of whether it occurred before an examination time. This paper studies a nonparametric neural-network sieve maximum likelihood estimator of the conditional cumulative distribution function of the event time. Under Hölder smoothness assumptions, we establish an explicit convergence rate by combining approximation theory for rectified linear unit neural networks with empirical-process arguments. This result provides theoretical support for neural-network estimation and subsequent inference under current-status observation.
Abstract（参考訳）: 現在の統計データは、イベント時刻が試験時間前に発生したかどうかの指標によってのみ観測されるときに発生する。本稿では,事象時刻の条件累積分布関数の非パラメトリックニューラルネットワークによる最大推定器について検討する。ヘルダーの滑らか性仮定の下では、整列化された線形ニューラルネットワークに対する近似理論と経験過程の議論を組み合わせることで、明示的な収束率を確立する。この結果は、現在の統計観測下でのニューラルネットワークの推定とその後の推測を理論的に支持する。

関連論文リスト

Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
論文参考訳（メタデータ） (2025-12-01T05:14:25Z)
VIKING: Deep variational inference with stochastic projections [48.946143517489496]
変分平均場近似は、現代の過度にパラメータ化されたディープニューラルネットワークと競合する傾向がある。パラメータ空間の2つの独立線型部分空間を考える単純な変分族を提案する。これにより、オーバーパラメトリゼーションを反映した、完全に相関した近似後部を構築することができる。
論文参考訳（メタデータ） (2025-10-27T15:38:35Z)
NeuralSurv: Deep Survival Analysis with Bayesian Uncertainty Quantification [42.418429168532406]
我々はベイズの不確実性定量化を取り入れた最初のディープサバイバルモデルであるNeuralSurvを紹介する。モデルサイズを線形にスケールする座標アセット更新を用いた平均場変分アルゴリズムを導入する。実験では、NeuralSurvは最先端のディープサバイバルモデルよりも優れたキャリブレーションを提供する。
論文参考訳（メタデータ） (2025-05-16T09:53:21Z)
Deep learning with missing data [3.829599191332801]
本稿では,既存の計算手法と組み合わせて適用可能なパターン埋め込みニューラルネットワーク(PENN)を提案する。インプットされたデータに基づいてトレーニングされたニューラルネットワークに加えて、PENNは観察指標のベクトルを第2のニューラルネットワークに渡して、コンパクトな表現を提供する。出力は第3のニューラルネットワークに結合され、最終的な予測が生成される。
論文参考訳（メタデータ） (2025-04-21T18:57:36Z)
Solving High-dimensional Inverse Problems Using Amortized Likelihood-free Inference with Noisy and Incomplete Data [43.43717668587333]
本研究では,高次元逆問題に対する正規化フローに基づく確率論的逆転法を提案する。提案手法は,データ圧縮のための要約ネットワークとパラメータ推定のための推論ネットワークの2つの補完ネットワークで構成されている。提案手法を地下水水文学における逆問題に適用し,空間的に疎らな時系列観測に基づく対流電界の後方分布を推定する。
論文参考訳（メタデータ） (2024-12-05T19:13:17Z)
Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文参考訳（メタデータ） (2023-04-14T09:39:06Z)
Theoretical analysis of deep neural networks for temporally dependent observations [1.6752182911522522]
非線形時系列データのモデリングにおけるディープニューラルネットワークの理論的性質について検討する。結果は、様々な数値シミュレーション設定とマクロ経済データセットへの応用を通してサポートされる。
論文参考訳（メタデータ） (2022-10-20T18:56:37Z)
Asymptotic Properties for Bayesian Neural Network in Besov Space [1.90365714903665]
スパイク・アンド・スラブの事前整合性を用いたベイズニューラルネットワークは, 真の回帰関数がベソフ空間にある場合, ほぼ最小収束率を有することを示す。保証された特性を持つ実用的なニューラルネットワークを提案する。
論文参考訳（メタデータ） (2022-06-01T05:47:06Z)
On the Neural Tangent Kernel Analysis of Randomly Pruned Neural Networks [91.3755431537592]
ニューラルネットワークのニューラルカーネル(NTK)に重みのランダムプルーニングが及ぼす影響について検討する。特に、この研究は、完全に接続されたニューラルネットワークとそのランダムに切断されたバージョン間のNTKの等価性を確立する。
論文参考訳（メタデータ） (2022-03-27T15:22:19Z)
Probabilistic Time Series Forecasting with Implicit Quantile Networks [0.7249731529275341]
自己回帰的リカレントニューラルネットワークとインプリシット量子ネットワークを併用して、時系列ターゲット上の大規模な分布を学習する。提案手法は, 時間分布の推定だけでなく, ポイントワイズ予測精度の観点からも好適である。
論文参考訳（メタデータ） (2021-07-08T10:37:24Z)

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。