論文の概要: RAMP: Recognition parametrisation by Amortised Message Passing

• arxiv url: http://arxiv.org/abs/2607.18883v1
• Date: Tue, 21 Jul 2026 09:13:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.381015
• Title: RAMP: Recognition parametrisation by Amortised Message Passing
• Title（参考訳）: RAMP:Amortized Message Passingによる認識パラメトリゼーション
• Abstract要約: RAMPは、柔軟で非線形で、償却されたメッセージパッシングフレームワークを学習することで、潜在構造を暗黙的に定義する手法である。 複素高次元データに作用する表現的非線形モデルにおいて,RAMPは潜在変数分布の効率よく復元できることを示す。
• 参考スコア（独自算出の注目度）: 6.969815276025336
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A central aim of unsupervised learning is to uncover latent factors that explain dependencies among observations. Probabilistic models typically achieve this by introducing multiple latent variables linked through a graph of conditional relationships, with distributional parameters and their dependence learnt from data. Learning relies either on distributional choices that allow tractable belief propagation, or on approximations that scale poorly with model size and complexity. We build on the recently developed recognition-parametrised modelling paradigm to propose an alternative approach: RAMP, a method that implicitly defines latent structure by learning a flexible, nonlinear, amortised message-passing framework. We show that RAMP enables efficient likelihood-based recovery of latent-variable distributions within expressive nonlinear models acting on complex high-dimensional data.
• Abstract（参考訳）: 教師なし学習の中心的な目的は、観察間の依存関係を説明する潜在要因を明らかにすることである。 確率モデルは通常、複数の潜伏変数を条件付き関係のグラフにリンクさせ、分布パラメータとそれらの依存をデータから学習することでこれを達成している。 学習は、抽出可能な信念の伝播を可能にする分散的な選択か、あるいはモデルのサイズと複雑さで不十分にスケールする近似に依存する。 我々は、最近開発された認識パラメトリド・モデリング・パラダイムに基づいて、別のアプローチを提案する: RAMP、柔軟性があり非線形で償却されたメッセージパッシングフレームワークを学習することで、潜在構造を暗黙的に定義する手法。 複素高次元データに作用する表現的非線形モデルにおいて,RAMPは潜在変数分布の効率よく復元できることを示す。

関連論文リスト

• Graphical conditional generative modeling for digital twin modeling [7.0264064660746754]
  観測データから擬似代理モデルを構築するためのフレームワークを提案する。 我々は,どの入力候補が対象量の完全条件法則に影響を及ぼすかを,条件平均に限らず同定する。 制御設定では、このメソッドは遷移モデルだけでなく、状態アクションや学習した力学を効果的にマルコビアンにするために必要なメモリ変数も識別する。
  論文  参考訳（メタデータ） (2026-06-15T04:56:38Z)
• Structured Nonparametric Variational Inference for Dependent Latent Modeling [11.146941243243248]
  変分推論(VI)は現代のAIの中核エンジンであり、大規模確率モデルと生成モデルのスケーラブルな学習と不確実性を考慮したトレーニングを可能にする。 後続近似における潜在変数間の複雑な依存関係をモデル化する新しいフレームワークであるStructured Non Variational Inference (SN-VI)を提案する。 SN-VIは複雑な潜伏変数の依存関係を保持し、任意の形状の後方有界線の柔軟かつ正確な近似を提供する。
  論文  参考訳（メタデータ） (2026-06-13T20:29:04Z)
• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
  因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。 本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-02T04:01:38Z)
• Graph-based Unsupervised Disentangled Representation Learning via Multimodal Large Language Models [42.17166746027585]
  複素データ内の因子化属性とその相互関係を学習するための双方向重み付きグラフベースフレームワークを提案する。 具体的には、グラフの初期ノードとして要素を抽出する$beta$-VAEベースのモジュールを提案する。 これらの相補的加群を統合することで、我々は細粒度、実用性、教師なしの絡み合いをうまく達成できる。
  論文  参考訳（メタデータ） (2024-07-26T15:32:21Z)
• Parameter Estimation in DAGs from Incomplete Data via Optimal Transport [24.740382124473975]
  我々は、理論的な枠組みを開発し、我々のアプローチの堅牢性と汎用性を示す広範な実証的な証拠でそれを支援する。 提案手法は, 地中構造パラメータを効果的に復元するだけでなく, 下流アプリケーション上でのベースラインの競合よりも, 比較可能か, あるいは優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-25T10:54:36Z)
• Variable Importance Matching for Causal Inference [73.25504313552516]
  これらの目標を達成するためのModel-to-Matchと呼ばれる一般的なフレームワークについて説明する。 Model-to-Matchは、距離メートル法を構築するために変数重要度測定を使用する。 LASSO を用いて Model-to-Match フレームワークを運用する。
  論文  参考訳（メタデータ） (2023-02-23T00:43:03Z)
• Latent Variable Representation for Reinforcement Learning [131.03944557979725]
  モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。 状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。 特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-17T00:26:31Z)
• Amortised Inference in Structured Generative Models with Explaining Away [16.92791301062903]
  我々は、複数の変数に対して構造化因子を組み込むために、償却変分推論の出力を拡張した。 パラメータ化された因子は、複雑な図形構造における変分メッセージパッシングと効率的に結合可能であることを示す。 次に、構造化されたモデルと、自由に動くげっ歯類の海馬からの高次元神経スパイク時系列を適合させる。
  論文  参考訳（メタデータ） (2022-09-12T12:52:15Z)
• MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
  シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。 あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。 モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-03T12:59:16Z)

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。