論文の概要: Conditional-Independence-Regularized Distributional Autoencoders for Mixed-Type Data
- arxiv url: http://arxiv.org/abs/2608.20562v1
- Date: Thu, 20 Aug 2026 20:52:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-24 14:49:32.230845
- Title: Conditional-Independence-Regularized Distributional Autoencoders for Mixed-Type Data
- Title（参考訳）: 混合型データのための条件独立型分散オートエンコーダ
- Abstract要約: Conditional-Independence-Regularized Distributional Autoencodersは混合型データの低次元表現を学習するためのフレームワークである。
最適表現は、説明できない数値変数、カテゴリー変数の条件エントロピー、残条件依存のバランスをとることを示す理論解析を提供する。
- 参考スコア（独自算出の注目度）: 6.968128776714472
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mixed-type data containing both numerical and categorical variables arise in many scientific and real-world applications. Existing representation learning and generative modeling approaches typically focus either on reconstruction accuracy or unconditional data generation, but often fail to recover the full conditional distribution of the data while preserving interpretable structural relationships between heterogeneous variable types. In this work, we introduce Conditional-Independence-Regularized Distributional Autoencoders, a framework for learning low-dimensional representations of mixed-type data through conditional distribution matching and structural regularization. Our method combines an energy-score-based objective for numerical variables, a likelihood-based objective for categorical variables, and an auxiliary conditional independence regularization term encouraging the learned representation to capture the dependence between numerical and categorical components. We provide theoretical analysis showing that the optimal representation balances unexplained numerical variability, conditional entropy of categorical variables, and residual conditional dependence. Empirically, the proposed method achieves strong performance on both synthetic and real-world datasets, substantially improving categorical distribution recovery, achieving competitive overall conditional distribution recovery, and preserving mixed-type dependence structure. The code has been made available at GitHub.
- Abstract（参考訳）: 数値変数と分類変数の両方を含む混合型データは、多くの科学的および現実世界の応用に現れる。
既存の表現学習と生成モデリングのアプローチは、典型的には再構成精度または非条件データ生成に重点を置いているが、不均一な変数タイプ間の解釈可能な構造関係を維持しながら、データの完全な条件分布を回復することができないことが多い。
本研究では,条件分布マッチングと構造正規化を通じて混合型データの低次元表現を学習するフレームワークである条件独立型分散オートコーダを紹介する。
本手法は, 数値変数に対するエネルギースコアに基づく目的, カテゴリ変数に対する可能性に基づく目的, および, 数値成分とカテゴリ成分間の依存を捉えるための学習表現を促進する補助条件付き独立正規化項を組み合わせる。
最適表現は、説明できない数値変数、カテゴリー変数の条件エントロピー、残条件依存のバランスをとることを示す理論解析を提供する。
提案手法は, 合成および実世界の両方のデータセットに対して高い性能を達成し, カテゴリー分布の回復を大幅に改善し, 競合する全条件分布の回復を実現し, 混合型依存構造を保存する。
コードはGitHubで公開されている。
関連論文リスト
- Impute-EM: Native Mixed-State Diffusion Models for Heterogeneous Data Imputation [71.74203645336385]
Impute-EMは、現在のモデルとインプットされていないエントリを交換し、完了したデータに拡散バックボーンをリフィットする。
我々は、この更新を特徴付け、観測されたマスクインデクシングされた辺縁線が、その限界で目標と一致していることを示す。
論文 参考訳（メタデータ） (2026-09-14T09:39:13Z) - Critical Percolation as a Synthetic Data Model for Interpretability [0.0]
臨界平均場パーコレーションクラスタ上で定義された階層関数からなる合成データセット群を紹介する。
分類学的階層をモデル化する潜在変数は、各データポイントのターゲット値を生成する。
ニューラルネットワークのアクティベーションから,モデルの基本トラス潜伏変数を線形に復号化できることが判明した。
論文 参考訳（メタデータ） (2026-06-18T15:15:57Z) - 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) - Weight-Informed Self-Explaining Clustering for Mixed-Type Tabular Data [63.62853416081748]
WISEは表現、特徴重み付け、クラスタリング、解釈を統一するフレームワークである。
クラスタリングを駆動する同じプリミティブに根ざした、忠実で人間解釈可能な説明を生成する。
論文 参考訳（メタデータ） (2026-04-07T13:18:31Z) - Covariate-assisted Grade of Membership Models via Shared Latent Geometry [0.7939348535496568]
メンバーシップモデルのグレードは、個人レベルの混合メンバーシップスコアを通して多変量カテゴリデータを解析するための柔軟な潜在変数モデルである。
補助共変量体を組み込む従来のアプローチは、一般に完全に指定された関節の確率に依存しており、計算的に集中しており、誤特定に敏感である。
我々は,共変量支援型メンバシップモデルを導入し,共変量情報を統合する。
論文 参考訳（メタデータ） (2026-01-24T02:30:36Z) - High-dimensional Analysis of Synthetic Data Selection [44.67519806837088]
線形モデルでは,対象分布と合成データの分布の共分散が一般化誤差に影響を与えることを示す。
興味深いことに、線形モデルからの理論的な洞察は、ディープニューラルネットワークと生成モデルに受け継がれる。
論文 参考訳（メタデータ） (2025-10-09T12:06:31Z) - Combining propensity score methods with variational autoencoders for
generating synthetic data in presence of latent sub-groups [0.0]
ヘテロジニティは、例えば、サブグループラベルによって示されるように知られ、あるいは未知であり、双曲性や歪みのような分布の性質にのみ反映されるかもしれない。
本研究では,変分オートエンコーダ(VAE)から合成データを取得する際に,このような異種性をどのように保存し,制御するかを検討する。
論文 参考訳（メタデータ） (2023-12-12T22:49:24Z) - Variational Classification [51.2541371924591]
我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。
軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。
我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
論文 参考訳（メタデータ） (2023-05-17T17:47:19Z) - DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained
Diffusion [66.21290235237808]
本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。
任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。
各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
論文 参考訳（メタデータ） (2023-01-23T15:18:54Z) - Accuracy on the Line: On the Strong Correlation Between
Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。
具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。
また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
論文 参考訳（メタデータ） (2021-07-09T19:48:23Z) - Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。
AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。
本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文 参考訳（メタデータ） (2020-10-24T07:01:24Z) - Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。
実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
論文 参考訳（メタデータ） (2020-07-30T05:48:48Z)
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。