論文の概要: Aggregated Posterior Predictive Checks for Generative Modeling

• arxiv url: http://arxiv.org/abs/2609.20999v1
• Date: Thu, 17 Sep 2026 18:55:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.756809
• Title: Aggregated Posterior Predictive Checks for Generative Modeling
• Title（参考訳）: 生成モデルのための集合的後部予測チェック
• Abstract要約: 潜時変数生成モデルは一般に、潜時変数上の単純な先行値を用いて適合する。 現代の生成モデルでは、第1にモデルが適合し、第2に集約された後部を推定する2段階戦略が用いられるようになっている。 集合的後部予測チェック(APPC)を導入する。 広汎性因子が信号空間の回復を許す場合,APPCは不特定潜伏条件下で校正できることを示す。
• 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: Latent variable generative models are commonly fit using simple priors over latent variables, but draws from these priors often fail to produce realistic data. This failure is due to a mismatch between the prior and the aggregated posterior, the distribution of latent variables induced by the fitted model and the data. This mismatch is often viewed as evidence that the prior is misspecified and should be replaced. Alternatively, in modern generative models, a two-stage strategy is increasingly used where first, the model is fit, and second, the aggregated posterior is estimated (van den Oord et al.,2017; Rombach et al., 2022.). Synthetic data are then obtained by sampling from this aggregated posterior instead of the prior. To check such procedures, we introduce the aggregated posterior predictive check (APPC). Theoretically, we establish sufficient conditions under which the APPC is asymptotically calibrated. For probabilistic principal component analysis, we show that the APPC can remain calibrated under a misspecified latent prior when pervasive factors permit recovery of the signal space. Experiments with variational autoencoders show that aggregated posterior sampling improves generation for heavy-tailed and clustered data relative to Gaussian prior sampling while performing comparably to models with more flexible latent priors.
• Abstract（参考訳）: 潜伏変数生成モデルは、一般に、潜伏変数よりも単純な先行値を用いて適合するが、これらの先行値から引き出されるものは、しばしば現実的なデータを生成するのに失敗する。 この失敗は、事前と集約後部のミスマッチ、入出力モデルによって誘導される潜伏変数の分布とデータとのミスマッチに起因する。 このミスマッチは、前者が誤って特定され、置き換えるべきであることを示す証拠としてしばしば見なされる。 あるいは、現代の生成モデルでは、第1にモデルが適合し、第2に集約後部が推定される(van den Oord et al ,2017; Rombach et al , 2022)。 合成データは、前者ではなく、この集計後者からサンプリングすることで得られる。 このような手順を確認するために,集計後予測チェック(APPC)を導入する。 理論的には、APPCが漸近的に校正される十分な条件を確立する。 確率的主成分分析では,拡散因子が信号空間の回復を許す前に,APPCが不特定潜伏条件下で校正されることを示す。 変分オートエンコーダを用いた実験により、集約後サンプリングはガウス前サンプリングと比較して重み付きおよびクラスタ化されたデータの生成を改善し、より柔軟な遅延前サンプリングを持つモデルに適合することを示した。

関連論文リスト

• Self-Supervised Laplace Approximation for Bayesian Uncertainty Quantification [45.61685127984694]
  我々は,ベイズモデルの予測不確実性を,自己予測データに基づいて定量化する。 Self-Supervised Laplace Approximation (SSLA)のモジュール構造は、さまざまな事前仕様をプラグインすることができます。 高価なリフィットを回避すべく、ASSLAと呼ばれるSSLAの近似バージョンをさらに導入する。
  論文  参考訳（メタデータ） (2026-05-12T14:46:08Z)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• Predictively Oriented Posteriors [4.135680181585462]
  我々はパラメータ推定と密度推定の両方の最も望ましい側面を組み合わせた新しい統計原理を提唱する。 PrO後部は予測最適モデル平均に$n-1/2$で収束する。 平均場ランゲヴィン動力学に基づく進化粒子からPrO後部を採取できることが示される。
  論文  参考訳（メタデータ） (2025-10-02T11:33:26Z)
• Tackling the Problem of Distributional Shifts: Correcting Misspecified, High-Dimensional Data-Driven Priors for Inverse Problems [39.58317527488534]
  天体物理学の応用では、基礎となるデータ生成プロセスから独立した、あるいは同一に分散したサンプルを取得することはしばしば困難または不可能である。 本稿では,異なる観測セットの後方サンプルを用いてモデルを再学習し,集団レベルの分布を反復的に更新することでこの問題に対処することを提案する。 そこで本研究では,不特定分布から,更新分布が個体群レベルの分布に徐々に近づきつつあることを示す。
  論文  参考訳（メタデータ） (2024-07-24T22:39:27Z)
• Sample-Efficient Optimisation with Probabilistic Transformer Surrogates [66.98962321504085]
  本稿では,ベイズ最適化における最先端確率変換器の適用可能性について検討する。 トレーニング手順と損失定義から生じる2つの欠点を観察し、ブラックボックス最適化のプロキシとして直接デプロイすることを妨げる。 1)非一様分散点を前処理するBO調整トレーニング,2)予測性能を向上させるために最適な定常点をフィルタする新しい近似後正則整定器トレードオフ精度と入力感度を導入する。
  論文  参考訳（メタデータ） (2022-05-27T11:13:17Z)
• On the Double Descent of Random Features Models Trained with SGD [78.0918823643911]
  勾配降下(SGD)により最適化された高次元におけるランダム特徴(RF)回帰特性について検討する。 本研究では, RF回帰の高精度な非漸近誤差境界を, 定常および適応的なステップサイズSGD設定の下で導出する。 理論的にも経験的にも二重降下現象を観察する。
  論文  参考訳（メタデータ） (2021-10-13T17:47:39Z)
• Generalizing Variational Autoencoders with Hierarchical Empirical Bayes [6.273154057349038]
  確率的生成モデルのための計算的に安定なフレームワークである階層的経験的ベイズオートエンコーダ(HEBAE)を提案する。 鍵となる貢献は2つであり、まず、符号化分布を階層的に優先することで、再構成損失関数の最小化と過正規化の回避とのトレードオフを適応的にバランスさせることで、利益を得る。
  論文  参考訳（メタデータ） (2020-07-20T18:18:39Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)
• On the Discrepancy between Density Estimation and Sequence Generation [92.70116082182076]
  log-likelihoodは、同じファミリー内のモデルを考えるとき、BLEUと非常に相関している。 異なる家族間でのモデルランキングの相関はみられない。
  論文  参考訳（メタデータ） (2020-02-17T20:13:35Z)

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。