論文の概要: Unbiased Derivative Estimation for Stationary Mean of Parameterized Markov chains

• arxiv url: http://arxiv.org/abs/2606.11487v1
• Date: Tue, 09 Jun 2026 22:19:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.203264
• Title: Unbiased Derivative Estimation for Stationary Mean of Parameterized Markov chains
• Title（参考訳）: パラメータ化マルコフ鎖の定常平均の不偏微分推定
• Authors: Jeffrey Wang, Chang-han Rhee,
• Abstract要約: マルコフ連鎖のパラメタライズド族に付随する定常手段の勾配を非バイアスで推定する新しい手法を提案する。 我々の推定器は、マルコフ連鎖が遅い混合速度を持つ場合、特に効率的である。
• 参考スコア（独自算出の注目度）: 0.8697269849297579
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a new approach to unbiased estimation of the gradients of the stationary means associated with parametrized families of Markov chains. Our estimators are particularly efficient when the Markov chains have slow mixing rate. Our approach does not require a specific parametrization except for an oracle to evaluate the transition density and its gradient at a given data point without any additional knowledge about the density function itself. It makes our estimator suitable for parametrizations associated with neural networks. The estimator can potentially achieve large improvement in terms of efficiency. Numerical experiments confirm the good performance predicted by the theory.
• Abstract（参考訳）: マルコフ連鎖のパラメタライズド族に付随する定常手段の勾配を非バイアスで推定する新しい手法を提案する。 我々の推定器は、マルコフ連鎖が遅い混合速度を持つ場合、特に効率的である。 我々の手法は、密度関数自体に関する追加の知識がなくても、与えられたデータポイントにおける遷移密度とその勾配を評価するために、オラクルを除いて特定のパラメトリゼーションを必要としない。 これにより、ニューラルネットワークに関連するパラメトリゼーションに適した推定器が作成される。 推定器は効率の面で大きな改善を達成できる可能性がある。 数値実験により、理論によって予測される優れた性能が確認される。

関連論文リスト

• Nearest Neighbor Sampling for Covariate Shift Adaptation [7.940293148084844]
  重みを推定しない新しい共変量シフト適応法を提案する。 基本的な考え方は、ソースデータセットの$k$-nearestの隣人によってラベル付けされたラベル付けされていないターゲットデータを直接扱うことだ。 実験の結果, 走行時間を大幅に短縮できることがわかった。
  論文  参考訳（メタデータ） (2023-12-15T17:28:09Z)
• Non-Parametric Learning of Stochastic Differential Equations with Non-asymptotic Fast Rates of Convergence [65.63201894457404]
  非線形微分方程式のドリフトと拡散係数の同定のための新しい非パラメトリック学習パラダイムを提案する。 鍵となる考え方は、基本的には、対応するフォッカー・プランク方程式のRKHSに基づく近似をそのような観測に適合させることである。
  論文  参考訳（メタデータ） (2023-05-24T20:43:47Z)
• Optimization of Annealed Importance Sampling Hyperparameters [77.34726150561087]
  Annealed Importance Smpling (AIS) は、深層生成モデルの難易度を推定するために使われる一般的なアルゴリズムである。 本稿では、フレキシブルな中間分布を持つパラメータAISプロセスを提案し、サンプリングに少ないステップを使用するようにブリッジング分布を最適化する。 我々は, 最適化AISの性能評価を行い, 深部生成モデルの限界推定を行い, 他の推定値と比較した。
  論文  参考訳（メタデータ） (2022-09-27T07:58:25Z)
• Boosting in Univariate Nonparametric Maximum Likelihood Estimation [5.770800671793959]
  非パラメトリック最大推定は未知の密度分布を推定することを目的としている。 非パラメトリックデータフィッティングにおけるオーバーパラメータ化を軽減するため、スムーズな仮定は通常、推定にマージされる。 非パラメトリックログ類似性の2次近似によりブースティングアルゴリズムを推定する。
  論文  参考訳（メタデータ） (2021-01-21T08:46:33Z)

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。