論文の概要: BayesNDE: Bayesian Generative Modeling for Neural Density Estimation

• arxiv url: http://arxiv.org/abs/2609.39843v1
• Date: Wed, 30 Sep 2026 14:37:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.897436
• Title: BayesNDE: Bayesian Generative Modeling for Neural Density Estimation
• Title（参考訳）: BayesNDE:ニューラル密度推定のためのベイズ生成モデル
• Abstract要約: 密度推定は統計学と機械学習の基本的な問題である。 BayesNDEはベイズ生成モデルを学び、可逆ネットワークやヤコビ行列計算を必要とせずにその密度を評価する。
• 参考スコア（独自算出の注目度）: 31.915642893817008
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Density estimation is a fundamental problem in statistics and machine learning. In this work, we introduce BayesNDE, a neural density estimator based on Bayesian generative modeling. BayesNDE learns a Bayesian generative model and evaluates its density without requiring invertible networks or Jacobian-determinant computation. For each observation, it infers a sample-specific latent posterior to construct an adaptive proposal that focuses computation on regions contributing most to its density. Bridge sampling then combines samples from this proposal with separate posterior samples to estimate the density. Experiments on nonlinear and multimodal synthetic datasets show improved estimation of density values and better recovery of the density structure compared to the state-of-the-art neural density estimators. Applications to real-world datasets further demonstrate improved anomaly detection. Together, these results highlight BayesNDE as a flexible and effective neural density estimator, demonstrating how posterior inference can turn generative models into tools for density estimation. The code and tutorials are available at https://github.com/liuq-lab/BayesNDE.
• Abstract（参考訳）: 密度推定は統計学と機械学習の基本的な問題である。 本研究では,ベイズ生成モデルに基づくニューラル密度推定器BayesNDEを紹介する。 BayesNDEはベイズ生成モデルを学び、可逆ネットワークやヤコビ行列計算を必要とせずにその密度を評価する。 それぞれの観測に対して、サンプル固有の潜在後部を推論し、その密度に最も寄与する領域に計算を集中させる適応的な提案を構築する。 ブリッジサンプリングは、この提案から得られたサンプルを別の後続サンプルと組み合わせて密度を推定する。 非線形およびマルチモーダルな合成データセットの実験では、最先端のニューラル密度推定器と比較して密度値の推定が改善し、密度構造の回復性が向上した。 実世界のデータセットへの応用は、さらに改善された異常検出を実証する。 これらの結果は、ベイズNDEを柔軟で効果的な神経密度推定器として強調し、後部推論が生成モデルを密度推定のツールにする方法を示した。 コードとチュートリアルはhttps://github.com/liuq-lab/BayesNDEで公開されている。

関連論文リスト

• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Density Ratio Estimation-based Bayesian Optimization with Semi-Supervised Learning [5.346298077607419]
  この課題を解決するために,半教師付き学習を用いた密度比推定に基づくベイズ最適化を提案する。 本手法の実証的な結果といくつかの基本手法を,未ラベルの点サンプリングと固定サイズのプールを持つ2つの異なるシナリオで示す。
  論文  参考訳（メタデータ） (2023-05-24T23:01:56Z)
• Quantum Adaptive Fourier Features for Neural Density Estimation [0.0]
  本稿では,カーネル密度推定の一種とみなすニューラル密度推定法を提案する。 この方法は密度行列、量子力学で使われる形式主義、適応フーリエ特徴に基づいている。 本手法は, 異なる合成および実データを用いて評価し, その性能を最先端のニューラル密度推定法と比較した。
  論文  参考訳（メタデータ） (2022-08-01T01:39:11Z)
• Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
  微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。 勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
  論文  参考訳（メタデータ） (2022-07-12T16:08:04Z)
• LED: Latent Variable-based Estimation of Density [44.055718819650025]
  LED は GAN と密接に関連する新しい生成モデルであり,効率的なサンプリングと高密度推定を可能にする。 我々は,低次元潜伏変数を入力として許容しつつ,生成したサンプルの正確な確率を計算するフローベースジェネレータを構築した。 各種データセットを用いた実験結果から, 得られた試料の精度を保ちながら, 精度の高い推定値が得られた。
  論文  参考訳（メタデータ） (2022-06-23T09:19:11Z)
• Meta-Learning for Relative Density-Ratio Estimation [59.75321498170363]
  相対密度比推定(DRE)の既存の方法は、両方の密度から多くのインスタンスを必要とする。 本稿では,関係データセットの知識を用いて,相対密度比を数例から推定する,相対DREのメタラーニング手法を提案する。 提案手法の有効性を,相対的DRE,データセット比較,外乱検出の3つの問題を用いて実証的に実証した。
  論文  参考訳（メタデータ） (2021-07-02T02:13:45Z)
• Deep Data Density Estimation through Donsker-Varadhan Representation [5.276937617129594]
  我々は,深層ニューラルネットワークとドンスカー・バラダン変分法を用いて,KL偏差に基づくデータ密度を簡易かつ効果的に推定する手法を提案する。 本研究では,ドンスカー・バラダン表現におけるデータと一様分布の発散に関する最適批判関数が,データ密度を推定できることを示した。
  論文  参考訳（メタデータ） (2021-04-14T03:38:32Z)
• Nonparametric Density Estimation from Markov Chains [68.8204255655161]
  我々はマルコフ・チェインにインスパイアされた新しい非パラメトリック密度推定器を導入し、よく知られたケルネル密度推定器を一般化する。 我々の推定器は, 通常のものに対していくつかの利点を示し, 全密度アルゴリズムの基盤として容易に利用できる。
  論文  参考訳（メタデータ） (2020-09-08T18:33:42Z)
• Roundtrip: A Deep Generative Neural Density Estimator [6.704101978104295]
  本研究では,深部生成モデルに基づく汎用神経密度推定器として,ラウンドトリップを提案する。 一連の実験において、ラウンドトリップは様々な密度推定タスクにおいて最先端の性能を達成する。
  論文  参考訳（メタデータ） (2020-04-20T01:47:00Z)
• TraDE: Transformers for Density Estimation [101.20137732920718]
  TraDEは自己回帰密度推定のための自己アテンションに基づくアーキテクチャである。 本稿では, 生成したサンプルを用いた回帰, 分布外検出, トレーニングデータにおける雑音に対する頑健性などのタスクについて述べる。
  論文  参考訳（メタデータ） (2020-04-06T07:32:51Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。