論文の概要: Amortized Bayesian Inference on Multilevel Models of Arbitrary Structure

• arxiv url: http://arxiv.org/abs/2609.40024v1
• Date: Wed, 30 Sep 2026 16:01:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 04:51:24.459043
• Title: Amortized Bayesian Inference on Multilevel Models of Arbitrary Structure
• Title（参考訳）: 任意構造の多レベルモデルに対するアモータイズベイズ推定
• Abstract要約: 任意の構造の多レベルモデルに対するベイズ推定の一般的な方法を開発する。 重要なステップであるグラフ拡張とグラフの反転は、推論ネットワークの積み重ねと条件付けを決定する逆グラフを生成する。
• 参考スコア（独自算出の注目度）: 18.74433791440776
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We develop a general method for amortized Bayesian inference on multilevel models of arbitrary structure. Given a generative model specified as a directed acyclic graph, our method automatically derives valid factorizations of the joint posterior and matching neural network architectures. The key steps, graph expansion and graph inversion, yield an inverse graph that determines how inference networks are stacked and conditioned, producing factorizations that amortize over the number of groups and the number of observations within each group. Unlike approaches that simplify the dependency structure to speed up learning or inference, our method preserves all conditional independence and exchangeability assumptions of the generative model. Across three case studies, it closely matches gold-standard samplers on models with more than 6,500 parameters while reducing inference to a near-instant forward pass once trained.
• Abstract（参考訳）: 任意の構造の多レベルモデルに対するベイズ推定の一般的な方法を開発する。 有向非巡回グラフとして指定された生成モデルから, 結合後部およびマッチングニューラルネットワークアーキテクチャの有効な因子分解を自動的に導出する。 主要なステップであるグラフ展開とグラフの反転は、推論ネットワークがどのように積み上げられ、条件付けられたかを決定する逆グラフを生成し、グループ数と各グループ内の観測回数を補正する因子化を生成する。 学習や推論を高速化するために依存関係構造を単純化する手法とは異なり、本手法は生成モデルの条件独立性と交換可能性の仮定をすべて保存する。 3つのケーススタディ全体で、6500以上のパラメータを持つモデルの金標準サンプルラーと密に一致し、一度訓練された時点でほぼ瞬時にフォワードパスへの推論を減少させる。

関連論文リスト

• A renormalization-group inspired lattice-based framework for piecewise generalized linear models [0.6599344783327052]
  再正規化群(RG)理論にインスパイアされたモデルのクラスを導入する。 これらは、機能的ANOVAや混合効果モデルに類似した付加的階層展開に基づいて構築される。 統計物理学、特にレプリカ解析の技法を用いて一般化特性を研究する。
  論文  参考訳（メタデータ） (2026-05-06T22:27:50Z)
• Time Series Gaussian Chain Graph Models [11.31947474863695]
  ブロックにまたがる有向エッジを経由した同時およびラタグ因果関係を表現する時系列ガウス連鎖グラフモデルを提案する。 我々はこの定式化を利用して時系列連鎖グラフ構造の識別可能性を確立する。 次に,無向エッジと有向エッジを推定するための3段階学習手法を提案する。
  論文  参考訳（メタデータ） (2026-04-08T12:36:51Z)
• Learning Structural Causal Models from Ordering: Identifiable Flow Models [19.99352354910655]
  本稿では,変数の可逆変換を部品的に再現するフローモデルを提案する。 本稿では,すべての因果メカニズムの同時学習を可能にする設計改善を提案する。 本手法は,既存の拡散法に比べて計算時間を大幅に短縮する。
  論文  参考訳（メタデータ） (2024-12-13T04:25:56Z)
• A Fixed-Point Approach for Causal Generative Modeling [20.88890689294816]
  本稿では,構造因果モデル(Structure Causal Models, SCM)を因果順序付き変数の固定点問題として記述する新しい形式論を提案する。 トポロジカル順序付け(TO)を考えると,その特異な回復のために最も弱い既知の条件を確立する。
  論文  参考訳（メタデータ） (2024-04-10T12:29:05Z)
• HiPerformer: Hierarchically Permutation-Equivariant Transformer for Time Series Forecasting [56.95572957863576]
  本稿では,同じ群を構成する成分間の関係と群間の関係を考察した階層的置換同変モデルを提案する。 実世界のデータを用いた実験により,提案手法が既存の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-14T05:11:52Z)
• 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)
• Amortised Inference in Structured Generative Models with Explaining Away [16.92791301062903]
  我々は、複数の変数に対して構造化因子を組み込むために、償却変分推論の出力を拡張した。 パラメータ化された因子は、複雑な図形構造における変分メッセージパッシングと効率的に結合可能であることを示す。 次に、構造化されたモデルと、自由に動くげっ歯類の海馬からの高次元神経スパイク時系列を適合させる。
  論文  参考訳（メタデータ） (2022-09-12T12:52:15Z)
• Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
  本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。 我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。 合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-11-29T18:59:09Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)
• Evaluating the Disentanglement of Deep Generative Models through Manifold Topology [66.06153115971732]
  本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。 複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
  論文  参考訳（メタデータ） (2020-06-05T20:54:11Z)

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。