論文の概要: Bayesian model selection of vine copulas: a loss-based perspective

• arxiv url: http://arxiv.org/abs/2606.21512v1
• Date: Fri, 19 Jun 2026 15:07:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 12:57:26.242373
• Title: Bayesian model selection of vine copulas: a loss-based perspective
• Title（参考訳）: ワインコプラのベイズモデル選択--損失に基づく視点
• Authors: Rosario Barone, Luciana Dalla Valle, Fabrizio Leisen, Cristiano Villa,
• Abstract要約: ベイズワイン法における効率的なモデル選択と推定のための新しい枠組みを提案する。 提案手法の強みは2つある: 空間性を促進し、高速かつ効果的な構造選択を可能にする。 提案手法のパワーはシミュレーション研究と実際のETFポートフォリオ資産返却データセットへの適用を通じて実証される。
• 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: The growing popularity of vine copulas in multivariate statistical analysis is largely driven by their ability to capture complex dependence structures. However, this flexibility comes at a cost, as the number of possible vine models grows rapidly and becomes intractable even in moderately low-dimensional settings. These limitations affect the practical applicability of current Bayesian inference and model selection approaches, effectively restricting it to problems of relatively small-dimension due to their high computational cost. This paper addresses the still open challenge of efficient model selection and estimation in Bayesian vine methodology. We propose a novel framework for Bayesian vine copula model selection that combines loss-based model priors with the shotgun stochastic search strategy. The strength of the proposed approach is twofold: it promotes sparsity and enables fast and effective structure selection. Furthermore, our comprehensive framework jointly identifies the vine structure, selects the copula families, and estimates the model parameters. The power of the proposed approach is demonstrated via simulation studies and an application to a real dataset of EFT portfolio asset returns.
• Abstract（参考訳）: 多変量統計解析におけるブドウコプラの普及は、複雑な依存構造を捉える能力によって大きく引き起こされる。 しかし、この柔軟性は、ワインモデルの数が急速に増加し、適度に低次元の設定でも難易度になるため、コストがかかる。 これらの制限は、現在のベイズ推定とモデル選択アプローチの実践的適用性に影響し、計算コストが高いために比較的小さな次元の問題に効果的に制限する。 本稿では,ベイズワイン法における効率的なモデル選択と推定の課題について論じる。 本稿では,損失モデルとショットガン確率探索戦略を組み合わせたベイズブドウパウラモデル選択のための新しい枠組みを提案する。 提案手法の強みは2つある: 空間性を促進し、高速かつ効果的な構造選択を可能にする。 さらに,本研究の包括的枠組みは,ブドウの構造を共同で同定し,コプラ族を選択し,モデルパラメータを推定する。 提案手法のパワーはシミュレーション研究と実際のETFポートフォリオ資産返却データセットへの適用を通じて実証される。

関連論文リスト

• Neural Bayes estimation and selection for complex bivariate extremal dependence models [0.0]
  Likelihood-freeアプローチは、複雑な依存モデルに対する推論を行うのに魅力的である。 ベイズ推定器を近似するためにニューラルネットワークを利用するアプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2025-03-29T17:24:48Z)
• Continuous Bayesian Model Selection for Multivariate Causal Discovery [22.945274948173182]
  離散モデル選択問題の連続緩和を利用したスケーラブルなアルゴリズムを提案する。 ベイズ非パラメトリックモデルとしてカウスカルプロセス条件密度推定器(CGP-CDE)を用いる。 この行列は、限界確率と非巡回正規化器を用いて最適化され、最大 A 後方因果グラフを与える。
  論文  参考訳（メタデータ） (2024-11-15T12:55:05Z)
• Model-Free Active Exploration in Reinforcement Learning [53.786439742572995]
  強化学習における探索問題について検討し,新しいモデルフリーソリューションを提案する。 我々の戦略は、最先端の探査アプローチよりも高速に効率的な政策を特定できる。
  論文  参考訳（メタデータ） (2024-06-30T19:00:49Z)
• Planning with Diffusion for Flexible Behavior Synthesis [125.24438991142573]
  我々は、できるだけ多くの軌道最適化パイプラインをモデリング問題に折り畳むことがどう見えるか検討する。 我々の技術的アプローチの核心は、軌道を反復的にデノベーションすることで計画する拡散確率モデルにある。
  論文  参考訳（メタデータ） (2022-05-20T07:02:03Z)
• A Nested Weighted Tchebycheff Multi-Objective Bayesian Optimization Approach for Flexibility of Unknown Utopia Estimation in Expensive Black-box Design Problems [0.0]
  既存の研究では、未知のユートピアを定式化するための重み付きTchebycheff MOBOアプローチが実証されている。 モデルアンサンブルから回帰モデル選択手順を構築する,ネスト重み付きTchebycheff MOBOフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-16T00:44:06Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
  我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。 このアプローチは多くの実装と最適化の課題をもたらします。 提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
  論文  参考訳（メタデータ） (2021-03-18T14:26:26Z)
• Characterizing Fairness Over the Set of Good Models Under Selective Labels [69.64662540443162]
  同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。 到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。 選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
  論文  参考訳（メタデータ） (2021-01-02T02:11:37Z)
• On Statistical Efficiency in Learning [37.08000833961712]
  モデルフィッティングとモデル複雑性のバランスをとるためのモデル選択の課題に対処する。 モデルの複雑さを順次拡大し、選択安定性を高め、コストを削減するオンラインアルゴリズムを提案します。 実験の結果, 提案手法は予測能力が高く, 計算コストが比較的低いことがわかった。
  論文  参考訳（メタデータ） (2020-12-24T16:08:29Z)
• Control as Hybrid Inference [62.997667081978825]
  本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。 連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
  論文  参考訳（メタデータ） (2020-07-11T19:44:09Z)
• Value of Information Analysis via Active Learning and Knowledge Sharing in Error-Controlled Adaptive Kriging [7.148732567427574]
  本稿では,情報の価値(VoI)分析のための最初のサロゲートベースのフレームワークを提案する。 複数の関心事の可能性を更新するために、サロゲートモデル間の観測から平等な情報を共有することができる。 トラスブリッジの負荷試験を含む最適決定問題に対して,提案手法を適用した。
  論文  参考訳（メタデータ） (2020-02-06T16:58:27Z)

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。