論文の概要: An Extreme Value Perspective on Learning Stress Laws

• arxiv url: http://arxiv.org/abs/2607.10700v1
• Date: Sun, 12 Jul 2026 10:46:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.507172
• Title: An Extreme Value Perspective on Learning Stress Laws
• Title（参考訳）: ストレス法学習における極値視点
• Authors: Mantu Gupta, Anand Deo,
• Abstract要約: 重み付きおよび軽み付きの両方で希少な確率をシミュレートする手法である自己相似生成推定(SS-GEN)を導入する。 SS-GENはテール構造を利用して、テール分布を明示的なラジアル成分と非パラメトリック角成分に分解する。 得られたサンプルは、代表的な極端なシナリオを生成し、観測データを超えた確率推定をサポートする。
• 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: We introduce Self-Similar Generative Estimation (SS-GEN), a method for simulating multivariate tail events and estimating rare-event probabilities in both heavy and light-tailed settings. SS-GEN exploits asymptotic tail structure to decompose the tail distribution into an explicit radial component and a nonparametric angular component, reducing tail learning to a compact-domain problem that can be handled by off-the-shelf deep generative models. The resulting sampler generates representative extreme scenarios and supports probability estimation far beyond the observed data. Under mild nonparametric tail assumptions, we show that the SS-GEN density is asymptotically exact in the tail, with vanishing uniform relative error for regularly varying distributions and vanishing uniform log-relative error for Weibull-type distributions. Unlike existing approaches that rely on specialized architectures or parametric tail specifications, SS-GEN leverages asymptotic tail structure to enable standard generative models to generate representative extreme samples and estimate rare-event probabilities beyond the observed data.
• Abstract（参考訳）: 本稿では,多変量末尾事象をシミュレーションし,重度および軽度の両方で希少確率を推定する自己相似生成推定法(SS-GEN)を紹介する。 SS-GENは漸近的尾構造を利用して、テール分布を明示的な半径成分と非パラメトリックな角成分に分解し、テール学習をオフザシェル深部生成モデルで扱うことができるコンパクトドメイン問題に還元する。 得られたサンプルは、代表的な極端なシナリオを生成し、観測データを超えた確率推定をサポートする。 緩やかな非パラメトリックテール仮定の下では、SS-gen密度は尾部において漸近的に正確に、定期的に変化する分布に対して一様相対誤差を無くし、ワイブル型分布に対して一様対数誤差をなくすことが示される。 特殊アーキテクチャやパラメトリックテール仕様に依存する既存のアプローチとは異なり、SS-GENは漸近的尾構造を利用して、標準生成モデルが代表的な極端なサンプルを生成し、観測データを超えた希少な確率を推定できるようにする。

関連論文リスト

• Rethinking Structural Anomaly Detection: From Decision Boundaries to Projection Operators [51.771100367755544]
  本稿では,既存手法の帰納バイアスとデータ構造とのミスマッチに対処する幾何学的視点を提案する。 具体的には、正規サンプルの多様体上の射影作用素を学習し、この射影によって変更される場合、サンプルを異常として定義する。 特に、プロジェクション品質の観点から、その成功と失敗を説明することによって、再構築に基づく手法の統一的な解釈を提供する。
  論文  参考訳（メタデータ） (2026-06-13T12:37:20Z)
• Learning Survival Distributions with the Asymmetric Laplace Distribution [16.401141867387324]
  非対称ラプラス分布(ALD)に基づくパラメトリックサバイバル解析法を提案する。 この分布は、平均、中央値、モード、変動、量子化といった一般的なイベントサマリーの閉形式計算を可能にする。 提案手法は, 精度, 識別, 校正の点でパラメトリックおよび非パラメトリックアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-06T17:34:41Z)
• Scaling and renormalization in high-dimensional regression [72.59731158970894]
  リッジ回帰に関する最近の結果について統一的な視点を提示する。 我々は、物理とディープラーニングの背景を持つ読者を対象に、ランダム行列理論と自由確率の基本的なツールを使用する。 我々の結果は拡張され、初期のスケーリング法則のモデルについて統一的な視点を提供する。
  論文  参考訳（メタデータ） (2024-05-01T15:59:00Z)
• Geometric Prior Guided Feature Representation Learning for Long-Tailed Classification [47.09355487357069]
  そこで,本論文では,よく表現されたヘッドクラスの特徴分布の幾何学的情報を活用し,モデルにテールクラスの基盤となる分布を学習させる手法を提案する。 パータード機能は、可能な限りテールクラスの基盤となる分布をカバーし、テスト領域におけるモデルの一般化性能を向上させることを目的としている。
  論文  参考訳（メタデータ） (2024-01-21T09:16:29Z)
• A Heavy-Tailed Algebra for Probabilistic Programming [53.32246823168763]
  本稿では,確率変数の尾を解析するための体系的アプローチを提案する。 本稿では,確率型プログラミング言語コンパイラの静的解析(サンプル作成前)において,この手法をどのように利用できるかを示す。 実験結果から,重み付き代数を利用する推論アルゴリズムは,多数の密度モデリングおよび変分推論タスクにおいて優れた性能が得られることを確認した。
  論文  参考訳（メタデータ） (2023-06-15T16:37:36Z)
• Tailoring Language Generation Models under Total Variation Distance [55.89964205594829]
  ニューラルネットワーク生成の標準パラダイムは、最適化方法として最大推定(MLE)を採用する。 言語生成に適用するための実践的境界を開発する。 本稿では,TVD推定のトレードオフのバランスをとるためのTaiLr の目標について紹介する。
  論文  参考訳（メタデータ） (2023-02-26T16:32:52Z)
• Fat-Tailed Variational Inference with Anisotropic Tail Adaptive Flows [53.32246823168763]
  脂肪尾密度は、一般に、ロバストモデルとスケール混合における後縁および辺縁分布として生じる。 我々はまず、尾が尾崩壊の速度にどのように影響するかを定量化することで、リプシッツフローの尾に関する以前の理論を改善した。 次に、テール異方性に敏感なテールパラメータの代替理論を開発する。
  論文  参考訳（メタデータ） (2022-05-16T18:03:41Z)
• A likelihood approach to nonparametric estimation of a singular distribution using deep generative models [4.329951775163721]
  深部生成モデルを用いた特異分布の非パラメトリック推定の可能性について検討する。 我々は、インスタンスノイズでデータを摂動することで、新しい効果的な解が存在することを証明した。 また、より深い生成モデルにより効率的に推定できる分布のクラスを特徴付ける。
  論文  参考訳（メタデータ） (2021-05-09T23:13:58Z)

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。