論文の概要: Distributional Determinantal Point Process for Repulsive Clustering of Distributions

• arxiv url: http://arxiv.org/abs/2607.21847v1
• Date: Thu, 23 Jul 2026 22:32:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.008784
• Title: Distributional Determinantal Point Process for Repulsive Clustering of Distributions
• Title（参考訳）: 分布の反発的クラスタリングのための分布決定点過程
• Abstract要約: 本稿では, 分布決定点過程 (dDPP) を新しい反発点過程として導入する。 我々はその妥当性をよく定義された点過程として示す。 提案手法は, 単細胞遺伝子発現データとヒトてんかんデータを用いて解析し, 解釈可能でよく分離されたクラスタを生成する。
• 参考スコア（独自算出の注目度）: 23.41791057002045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce the distributional determinantal point process (dDPP) as a novel repulsive point process whose atoms are probability distributions rather than points in a real space. The dDPP is constructed via an L-ensemble with a sliced Wasserstein (SW) kernel between distributions. We show its validity as a well-defined point process. In the discrete setting, we derive concentration results for plug-in estimators of the L-ensemble, the correlation kernel, and their determinants given i.i.d. samples from the distributional atoms. Leveraging this framework, we propose a distribution-valued random partition model by way of a repulsive generalized Bayesian mixture model. The model places a dDPP prior over the atoms of the mixing measure and defines a generalized likelihood based on SW distance. To summarize posterior inference, we develop a decision-theoretic approach to report a point estimate of the mixing measure as a Bayes rule under a hierarchical optimal transport utility function. The latter is a natural choice given that the mixing measure is itself a distribution over distributions. We use the proposed framework for inference with single-cell gene expression data and human epilepsy data, producing interpretable and well-separated clusters that reflect meaningful structure in the data.
• Abstract（参考訳）: 本稿では, 実空間の点ではなく, 原子が確率分布である新しい反発点過程として, 分布決定点過程(dDPP)を導入する。 dDPPは、分布間でスライスされたワッサースタイン(SW)カーネルを持つLアンサンブルによって構成される。 我々はその妥当性をよく定義された点過程として示す。 離散的な設定では、L-アンサンブルのプラグイン推定器、相関カーネル、および分布原子のサンプルから得られるそれらの決定因子の濃度を導出する。 この枠組みを応用し, 反発型一般化ベイズ混合モデルを用いて分布値のランダム分割モデルを提案する。 このモデルは混合測度の原子の上にdDPPを配置し、SW距離に基づいて一般化された可能性を定義する。 後続の推論を要約するために、階層的最適輸送ユーティリティ関数の下でベイズ則として混合指標の点推定を報告するための決定論的アプローチを開発する。 後者は、混合測度自体が分布上の分布であることを考えると、自然な選択である。 提案手法は, 単一細胞遺伝子発現データとヒトてんかんデータを用いて, 意味のある構造を反映した解釈可能なクラスタを生成する。

関連論文リスト

• Distributionally Faithful Imputation via Positive Semi-Definite Kernel Density Estimation [55.47411235954028]
  マスク観測による密度推定では,不規則に不規則に不規則な計算を行う。 我々は,ニュートン内点法で解ける閉じた形状の辺縁を持つ凸型経験的リスク問題を得る。 結果のPSDインプットモデルでは、同一の入射密度から単一および多重インプットが得られる。
  論文  参考訳（メタデータ） (2026-07-08T15:51:05Z)
• A Unified View of Drifting and Score-Based Models [92.51878018325031]
  ドリフトがカーネル平滑分布にスコアベースの定式化を許すことを示すことにより,拡散モデルの背後にあるスコアマッチング原理との関係を正確にする。 一般的なラプラス核に対して正確な分解を導出し、ラプラス核に対してドリフトが低温および高次元状態におけるスコアマッチングの正確なプロキシであることを示す厳密な誤差境界を証明した。
  論文  参考訳（メタデータ） (2026-03-08T07:41:36Z)
• Sampling in High-Dimensions using Stochastic Interpolants and Forward-Backward Stochastic Differential Equations [8.509310102094512]
  本稿では,高次元確率分布からサンプルを抽出する拡散型アルゴリズムのクラスを提案する。 我々の手法は、確率密度の時間インデクシングされたコレクションを定義するための補間フレームワークに依存している。 提案アルゴリズムは,従来の手法では処理が困難であった分布から,効果的にサンプルを抽出できることを実証する。
  論文  参考訳（メタデータ） (2025-02-01T07:27:11Z)
• Path-Guided Particle-based Sampling [20.36997618226888]
  そこで本研究では,新しいLog-weighted Shrinkage(LwS)密度パスに基づくPGPS法を提案する。 ニューラルネットワークを用いて、設計された密度パスのフォッカー・プランク方程式によって動機付けられたベクトル場を学習する。 これらの粒子の分布は、初期分布から目標分布への密度経路に沿って導かれる。
  論文  参考訳（メタデータ） (2024-12-04T13:44:56Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Convergence of Score-Based Discrete Diffusion Models: A Discrete-Time Analysis [56.442307356162864]
  連続時間マルコフ連鎖(CTMC)に基づくスコアベース離散拡散モデルの理論的側面について検討する。 本稿では,事前定義された時間点におけるスコア推定値を利用する離散時間サンプリングアルゴリズムを一般状態空間$[S]d$に導入する。 我々の収束解析はジルサノフ法を用いて離散スコア関数の重要な性質を確立する。
  論文  参考訳（メタデータ） (2024-10-03T09:07:13Z)
• Noise-Free Sampling Algorithms via Regularized Wasserstein Proximals [3.4240632942024685]
  ポテンシャル関数が支配する分布からサンプリングする問題を考察する。 本研究は, 決定論的な楽譜に基づくMCMC法を提案し, 粒子に対する決定論的進化をもたらす。
  論文  参考訳（メタデータ） (2023-08-28T23:51:33Z)
• Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
  Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。 本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
  論文  参考訳（メタデータ） (2023-06-27T08:15:28Z)
• SIXO: Smoothing Inference with Twisted Objectives [8.049531918823758]
  SIXOは平滑な分布を近似する対象を学習する手法である。 次に、これらの学習対象とSMCを用いて、モデル学習と提案学習の変動目標を定義する。
  論文  参考訳（メタデータ） (2022-06-13T07:46:35Z)
• Wasserstein Generative Learning of Conditional Distribution [6.051520664893158]
  条件分布学習のためのワッサーシュタイン生成手法を提案する。 提案手法により生成された条件付きサンプリング分布の非漸近誤差境界を確立する。
  論文  参考訳（メタデータ） (2021-12-19T01:55:01Z)
• Distributional Reinforcement Learning via Moment Matching [54.16108052278444]
  ニューラルネットワークを用いて各戻り分布から統計量の有限集合を学習する手法を定式化する。 我々の手法は、戻り分布とベルマン目標の間のモーメントの全ての順序を暗黙的に一致させるものとして解釈できる。 Atariゲームスイートの実験により,本手法は標準分布RLベースラインよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-24T05:18:17Z)

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。