論文の概要: Bayesian Model Averaging under Predictor Redundancy via Density-Ratio Posterior Compression

• arxiv url: http://arxiv.org/abs/2606.21080v1
• Date: Fri, 19 Jun 2026 04:02:38 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-06-23 11:19:57.366956
• Title: Bayesian Model Averaging under Predictor Redundancy via Density-Ratio Posterior Compression
• Title（参考訳）: 密度比後圧縮による予測冗長下のベイズモデル平均化
• Authors: Hanqing Li, Xuewen Lu, Yuting Chen,
• Abstract要約: ベイジアン目標を変更することなく,すでに装着したベイジアンモデルが後方に平均化されていることを報告する。 レポートは、支持空間の硬い領域または柔らかい領域を使用し、その圧縮された報告法則を、明示的な密度比で基準後部と比較する。 この比は計算可能な全変分とクルバック-リブラー歪み、有界予測サマリーのバウンダリ、保持質量診断、フォールバック重み診断を与える。
• 参考スコア（独自算出の注目度）: 1.5345012878519178
• License:
• Abstract: Bayesian model averaging in support-indexed regression induces a posterior distribution over active predictor supports. Under predictor redundancy, posterior mass can spread across many nearly interchangeable supports, making exact-support summaries unstable or hard to interpret even when prediction is stable. We study how to report an already fitted Bayesian model averaging posterior without changing the Bayesian target. A report uses hard or soft regions of support space, and its compressed reporting law is compared with the reference posterior through an explicit density ratio. This ratio gives computable total-variation and Kullback--Leibler distortion, bounds for bounded predictive summaries, retained-mass diagnostics, and fallback-weight diagnostics. The framework covers fixed hard regions, metric-ball regions, posterior-cluster regions, and pooled-pruned region dictionaries. We prove exact error formulas and validation bounds for these region reports, and give conditions under which a few regions can replace a long list of individual supports. In simulations, our region reports often give shorter and clearer summaries while preserving the main posterior information, and the density-ratio diagnostics show when too much information has been lost.
• Abstract（参考訳）: サポートインデックス付き回帰におけるベイズモデル平均化は、アクティブな予測子サポートよりも後部分布を誘導する。 予測器の冗長性の下では、後続の質量は、ほぼ交換可能な多くの支持体に分散し、予測が安定している場合でも、正確な支持サマリーが不安定または解釈が困難になる。 本研究では,ベイジアン目標を変更することなく,ベイジアンモデルが後部平均化していることを報告する。 レポートは、支持空間の硬い領域または柔らかい領域を使用し、その圧縮された報告法則を、明示的な密度比で基準後部と比較する。 この比は計算可能な全変分とクルバック-リブラー歪み、有界予測サマリーのバウンダリ、保持質量診断、フォールバック重み診断を与える。 このフレームワークは、固定ハード領域、メトリックボール領域、後部クラスタ領域、プールドプルーニングされた領域辞書をカバーしている。 我々はこれらの地域レポートに対して正確なエラー公式と検証境界を証明し、いくつかの地域がサポート対象の長いリストを置き換えることができる条件を与える。 シミュレーションでは,本報では,主要な後部情報を保存しながら,より短く,より明瞭な要約を報告することが多く,密度比診断では,情報が失われ過ぎていることを示す。

関連論文リスト

• Uncertainty-Guided Conservative Propagation for Structured Inference in Vessel Segmentation [10.73944733412427]
  Uncertainty-Guided Conservative Propagation (UGCP)は,コンテナセグメンテーション用のプラグインモジュールである。 予測の不確実性は、不明瞭な地域を支援するための信頼性のある地域を導く。 構造対応変調とソースベースの安定化は、信頼性の低い伝播と過剰なドリフトを減少させる。
  論文  参考訳（メタデータ） (2026-05-19T22:31:13Z)
• Evidence-based Distributional Alignment for Large Language Models [58.65469623911573]
  LLM分布推定の忠実度とロバスト性を改善する証拠に基づくアライメント手法であるEvi-DAを提案する。 対象国が与えられた場合、Evi-DAは関連するWorld Values Survey項目とその回答分布を検索し、オプション毎に粗いヴェルツェル値シグネチャを予測し、国条件の回答分布を構造化形式で推測する。
  論文  参考訳（メタデータ） (2026-03-03T03:34:06Z)
• Bayesian Multiple Multivariate Density-Density Regression [25.35298354797079]
  多変量密度回帰(MDDR)のための最初のアプローチを提案する。 予測器のプッシュフォワードのスライスされたWasserstein Barycenter (SWB) を用いて適合分布を定義する。 回帰関数は、予測子のサポートを応答サポートにマッピングし、バリセンターの重みは一般化されたベイズフレームワーク内で推測される。 人口規模単一セルデータの推測への応用としてMDDRを実証する。
  論文  参考訳（メタデータ） (2026-01-06T01:21:20Z)
• Robust Variational Bayes by Min-Max Median Aggregation [13.102667562202386]
  本稿では,データセットの汚染と流出率を処理するための頑健なベイズフレームワークを提案する。 提案手法では,データを$m$不整合部分集合に分割し,ロバストなアグリゲーション原理に基づく共同最適化問題を定式化する。 以上の結果より,2段階のアプローチは,$m$の局所的後肢を直接集約するよりも,近似誤差が小さいことが示唆された。
  論文  参考訳（メタデータ） (2025-12-14T13:02:00Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Bayesian Multivariate Density-Density Regression [25.35298354797079]
  多変量密度回帰(DDR)のための新規でスケーラブルなベイズフレームワークを提案する。 提案手法は,異なる次元の空間に居住する分布の重要な問題に対処する。 ベイジアンDDRは、従来の手法と比較して、堅牢な適合性、優れた予測性能、複雑な生物学的相互作用に関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2025-04-17T03:46:03Z)
• Density Estimation with Autoregressive Bayesian Predictives [1.5771347525430772]
  密度推定の文脈では、標準的なベイズ的アプローチは、後方予測をターゲットとする。 我々は、データを潜在空間にマッピングする自己回帰ニューラルネットワークを用いて、帯域幅の新たなパラメータ化を開発する。
  論文  参考訳（メタデータ） (2022-06-13T20:43:39Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Instance-Optimal Compressed Sensing via Posterior Sampling [101.43899352984774]
  後部サンプリング推定器がほぼ最適回復保証を達成できることを示す。 本稿では,Langevin dynamics を用いた深部生成前駆体の後方サンプリング推定器を実装し,MAP よりも精度の高い推定値が得られることを実証的に見出した。
  論文  参考訳（メタデータ） (2021-06-21T22:51:56Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。