Fugu-MT 論文翻訳(概要): Guidance for Prior Change via Density Ratio Estimation

論文の概要: Guidance for Prior Change via Density Ratio Estimation

arxiv url: http://arxiv.org/abs/2608.21729v1
Date: Sat, 22 Aug 2026 02:17:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-25 13:29:43.430342
Title: Guidance for Prior Change via Density Ratio Estimation
Title（参考訳）: 密度比推定による事前変化の誘導
Abstract要約: PriorGuideは推論時のガイダンス手法として導入された。本稿では、密度比推定(DRE)を利用してスコアガイダンス項を学習する、バイアスのないテストタイムガイダンスフレームワークを提案する。我々の手法は、ほとんどのタスクにおいて、C2STとMDDのPrediorGuideと一致または優れています。
参考スコア（独自算出の注目度）: 5.018167017476858
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Simulation-Based Inference (SBI) serves as a vital framework for parameter inference in scientific fields where simulators involve intractable likelihoods, yet while amortized generative models offer rapid posterior estimation, they are often restricted by the specific priors used during training, thereby limiting their flexibility as prior knowledge evolves. To address this prior dependency, PriorGuide was introduced as an inference-time guidance method, but due to its intractable formulation, it relies on Gaussian approximations of the reverse transition kernel and Gaussian mixture model fitting for the prior ratio, both of which introduce systematic bias. Motivated by these limitations, we propose an unbiased test-time guidance framework that leverages Density Ratio Estimation (DRE) to learn a score guidance term, effectively decoupling the inference process from the prior training. Moreover, our framework remains agnostic to the specific density ratio estimators, making it a general and flexible framework for handling prior changes. Experimental results across multiple tasks demonstrate that our method matches or outperforms PriorGuide on C2ST and MMD in most tasks while maintaining robustness even under limited overlap between the training and target priors. Furthermore, we apply our method to Bayesian updating for parameter inference from planetary light-curve data, where it also demonstrates strong effectiveness and robustness. Code is available at https://github.com/a-chenchen/dre-based-prior-guidance .
Abstract（参考訳）: シミュレーションベース推論(SBI)は、シミュレーターが難解な可能性を持つ科学分野においてパラメータ推論のための重要な枠組みとして機能するが、償却された生成モデルは高速な後続推定を提供するが、訓練中に使用される特定の事前予測によって制限され、事前知識が進化するにつれてその柔軟性が制限される。この先行依存性に対処するため、PreferGuideは推論時ガイダンス法として導入されたが、その難解な定式化のため、逆遷移カーネルのガウス近似とガウス混合モデルの事前比に適合するガウス近似に依存しており、どちらも体系的バイアスをもたらす。これらの制約を前提として,DRE(dentity Ratio Estimation)を利用してスコアガイダンス項を学習し,推論プロセスと事前トレーニングを効果的に分離する,バイアスのないテストタイムガイダンスフレームワークを提案する。さらに、我々のフレームワークは、特定の密度比推定器に依存しないままであり、それ以前の変更を扱うための汎用的で柔軟なフレームワークである。複数のタスクにまたがる実験結果から,本手法はC2STおよびMDD上のPresideGuideに適合し,かつ,トレーニングとターゲットの事前の重複が限定的であっても頑健性を維持しつつ,性能が向上することが示された。さらに,この手法を惑星の光曲線データからのパラメータ推定のためのベイズ更新に適用し,高い有効性と堅牢性を示す。コードはhttps://github.com/a-chenchen/dre-based-prior-guidance で公開されている。

関連論文リスト

Multi-Task Bayesian In-Context Learning [41.16196712546687]
本稿では,階層型ベイズ予測推定のためのマルチタスク・インコンテキスト学習フレームワークを提案する。先行タスクと対象タスクのシーケンスに基づいてトレーニングされたトランスフォーマーは、前者の家族間で予測を適用することを学ぶ。提案手法は,既存の手法よりも桁違いに高速であると同時に,オラクル予測器と一致している。
論文参考訳（メタデータ） (2026-06-18T17:50:10Z)
Possibilistic Predictive Uncertainty for Deep Learning [75.00607359322863]
Dirichlet-approximated possibilistic rear predictions (DAPPr)を紹介する。 DAPPrは可能性理論を利用した原則的なフレームワークである。この射影近似戦略は閉形式解を用いた単純な訓練目標を与える。
論文参考訳（メタデータ） (2026-05-01T12:14:01Z)
PriorGuide: Test-Time Prior Adaptation for Simulation-Based Inference [35.357213292828426]
拡散型アモルト化推論法に特化して設計された手法である PreferGuide を紹介する。これにより、トレーニングされた拡散モデルをテスト時に、コストのかかる再トレーニングを伴わずに、フレキシブルな適用が可能になる。これにより、ユーザーは更新情報や専門知識のトレーニング後を簡単に組み込むことができ、事前訓練された推論モデルの汎用性を高めることができる。
論文参考訳（メタデータ） (2025-10-15T17:11:19Z)
ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
ResADは正規化された残留軌道モデリングフレームワークである。学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
論文参考訳（メタデータ） (2025-10-09T17:59:36Z)
Multiply Robust Conformal Risk Control with Coarsened Data [0.0]
コンフォーマル予測(CP)は近年,膨大な関心を集めている。本稿では、粗いデータから得られる結果に対して、分布自由な有効予測領域を得るという一般的な問題について考察する。半パラメトリック理論の原則的利用は、フレキシブルな機械学習手法の促進の鍵となる利点を持つ。
論文参考訳（メタデータ） (2025-08-21T12:14:44Z)
EKPC: Elastic Knowledge Preservation and Compensation for Class-Incremental Learning [53.88000987041739]
クラスインクリメンタルラーニング(Class-Incremental Learning, CIL)は、AIモデルを、時間とともに異なるクラスのシーケンシャルに到着したデータから継続的に学習可能にすることを目的としている。本稿では, 重要度を考慮した重要度正規化 (IPR) と CIL のためのトレーニング可能なセマンティックドリフト補償 (TSDC) を統合したElastic Knowledge Preservation and Compensation (EKPC) 法を提案する。
論文参考訳（メタデータ） (2025-06-14T05:19:58Z)
Principled Input-Output-Conditioned Post-Hoc Uncertainty Estimation for Regression Networks [1.4671424999873808]
不確実性は安全性に敏感なアプリケーションでは重要であるが、予測性能に悪影響を及ぼすため、市販のニューラルネットワークから排除されることが多い。本稿では,従来の入力と凍結モデルの両方に補助モデルを適用することにより,回帰タスクにおけるポストホック不確実性推定のための理論的基盤となるフレームワークを提案する。
論文参考訳（メタデータ） (2025-06-01T09:13:27Z)
Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。本手法は, 精度の高い問題に特に適している。提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文参考訳（メタデータ） (2023-11-08T00:10:21Z)
TWINS: A Fine-Tuning Framework for Improved Transferability of Adversarial Robustness and Generalization [89.54947228958494]
本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。 TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
論文参考訳（メタデータ） (2023-03-20T14:12:55Z)
Data Augmentation through Expert-guided Symmetry Detection to Improve Performance in Offline Reinforcement Learning [0.0]
マルコフ決定過程(MDP)の動的モデルのオフライン推定は非自明な作業である。近年の研究では、密度推定法に依存する専門家誘導パイプラインが、決定論的環境において、この構造を効果的に検出できることが示されている。学習したMDPを解き、実際の環境に最適化されたポリシーを適用すると、前者の結果が性能改善につながることを示す。
論文参考訳（メタデータ） (2021-12-18T14:32:32Z)
A Variational Bayesian Approach to Learning Latent Variables for Acoustic Knowledge Transfer [55.20627066525205]
本稿では,ディープニューラルネットワーク(DNN)モデルにおける潜伏変数の分布を学習するための変分ベイズ(VB)アプローチを提案する。我々の提案するVBアプローチは,ターゲットデバイスにおいて良好な改善が得られ,しかも,13の最先端知識伝達アルゴリズムを一貫して上回っている。
論文参考訳（メタデータ） (2021-10-16T15:54:01Z)

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。