論文の概要: Model-free Bayesian Clustering and Multimodal Posterior Summarisation

• arxiv url: http://arxiv.org/abs/2610.13397v1
• Date: Fri, 09 Oct 2026 11:10:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.54595
• Title: Model-free Bayesian Clustering and Multimodal Posterior Summarisation
• Title（参考訳）: モデルフリーベイズクラスタリングとマルチモーダル後部要約
• Abstract要約: 本研究では,予測ベイズ的視点から,クラスタリング上のマーチンゲール後部を構成するモデルフリーでノイズを考慮したベイズ的クラスタリングフレームワークを開発した。 我々は、ワッサーシュタイン型要約法を用いて、高次元の雑音対応クラスタリングを後部から解釈する。 その結果、クラスタリングとノイズの不確実性を捕捉するフレームワークの有効性が示された。
• 参考スコア（独自算出の注目度）: 4.757600175669215
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop a model-free, noise-aware Bayesian clustering framework that constructs a martingale posterior over clusterings from a predictive Bayesian perspective. This avoids explicit likelihood-prior model specification, expensive MCMC sampling, and mode-seeking variational approximations, while accommodating irregular cluster shapes and enabling parallel generation of posterior draws. To interpret the posterior over high-dimensional, noise-aware clusterings, we introduce a Wasserstein-type summarization method. Using a novel noise-aware loss, this approach compresses the large collection of posterior draws into a small set of weighted representatives, capturing distinct cluster structures and noise assignments. Further, we marginalise the uncertainty in the density level, avoiding reliance on a specific choice. We establish theoretical properties of the proposed loss and guarantees for the level-marginal posterior approximation. Results demonstrate the framework's effectiveness in capturing clustering and noise uncertainty.
• Abstract（参考訳）: 本研究では,予測ベイズ的視点から,クラスタリング上のマーチンゲール後部を構成するモデルフリーでノイズを考慮したベイズ的クラスタリングフレームワークを開発した。 これにより、明らかな最優先モデル仕様、高価なMCMCサンプリング、モード探索の変動近似を回避し、不規則なクラスタ形状を調整し、後方描画の並列生成を可能にする。 後部を高次元の雑音対応クラスタリングで解釈するために,ワッサーシュタイン型要約法を提案する。 新たなノイズ認識損失を用いることで、後部ドローの大規模な集合を小さな重み付き代表群に圧縮し、異なるクラスタ構造とノイズ割り当てをキャプチャする。 さらに,特定の選択への依存を回避し,密度レベルの不確かさを緩和する。 提案した損失の理論的特性を確立し, 準位後部近似の保証を行う。 その結果、クラスタリングとノイズの不確実性を捕捉するフレームワークの有効性が示された。

関連論文リスト

• Classification-oriented adaptive sensing via posterior sampling [5.786013556804502]
  クラス条件ガウス混合モデルの閉形式後続共分散を動機とする分類駆動拡張を導入する。 その結果, 分類精度, 測定コスト, 再建品質を, 再建指向のものと比較した。
  論文  参考訳（メタデータ） (2026-09-18T14:21:41Z)
• Seed-Guided Semi-Supervised Clustering by A-Contrario Anomaly Detection [0.0]
  本稿では,グループ化原理と異常検出の統計的双対性に基づく半教師付きクラスタリングフレームワークを提案する。 我々は、クラスタを、一様ランダム性のヌル仮説に対する異常のないデータポイントの最大部分集合として定義する。 本手法は, 生, 線形再生, 近傍排他的埋め込みによって表現される画像とテキストのデータセットを含む, 合成および実世界のベンチマークで評価する。
  論文  参考訳（メタデータ） (2026-06-17T09:08:02Z)
• Rashomon-Seeded Annealing for Robust Bayesian Inference in Factorial Designs [1.0572531098500682]
  そこで本研究では,ラショウモン集合を戦略的「ウォームスタート」として再利用し,全後部を推定する一般計算フレームワークを提案する。 本稿では, 因数分解設計のための厳密で認証されたシードコンストラクタとして, RPS (Rashomon Partition Sets) を用いて, このアプローチを実証する。
  論文  参考訳（メタデータ） (2026-05-21T05:01:39Z)
• On the Shape of Latent Variables in a Denoising VAE-MoG: A Posterior Sampling-Based Study [51.56484100374058]
  ガウス前駆体 (VAE-MoG) を用いた変分オートエンコーダの潜時空間を探索する。 モデルが基盤構造をどれだけうまく捉えているかを評価するために、ハミルトンモンテカルロ (HMC) を用いて、クリーンな入力で条件付けられた後続サンプルを描画し、ノイズの多いデータからエンコーダの出力と比較する。 モデルは正確に信号を再構成するが、統計的比較により、潜在空間における明らかなミスマッチが明らかになる。
  論文  参考訳（メタデータ） (2025-09-29T18:33:09Z)
• Tight integration of neural- and clustering-based diarization through deep unfolding of infinite Gaussian mixture model [84.57667267657382]
  本稿では,統合フレームワークにトレーニング可能なクラスタリングアルゴリズムを導入する。 話者埋め込みはトレーニング中に最適化され、iGMMクラスタリングに適合する。 実験の結果,提案手法はダイアリゼーション誤差率において従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-02-14T07:45:21Z)
• Correlation Clustering Reconstruction in Semi-Adversarial Models [70.11015369368272]
  相関クラスタリングは多くのアプリケーションにおいて重要なクラスタリング問題である。 本研究では,ランダムノイズや対向的な修正によって崩壊した潜伏クラスタリングを再構築しようとする,この問題の再構築版について検討する。
  論文  参考訳（メタデータ） (2021-08-10T14:46:17Z)
• Posterior Regularization on Bayesian Hierarchical Mixture Clustering [2.5266927671910904]
  後続の規則化は、クラスタ分離を強化するために、各レベルのノードに最大限の制約を課す。 PRをBHMCに適用し,BHMCモデルの改善効果を示す。
  論文  参考訳（メタデータ） (2021-05-14T15:41:15Z)
• Sampling-free Variational Inference for Neural Networks with Multiplicative Activation Noise [51.080620762639434]
  サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。 提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
  論文  参考訳（メタデータ） (2021-03-15T16:16:18Z)
• Progressive Cluster Purification for Unsupervised Feature Learning [48.87365358296371]
  教師なしの特徴学習では、サンプル特異性に基づく手法はクラス間の情報を無視する。 本稿では,プログレッシブクラスタ形成時にクラス不整合サンプルを除外するクラスタリングに基づく新しい手法を提案する。 我々の手法は、プログレッシブ・クラスタ・パーフィケーション(PCP)と呼ばれ、訓練中に徐々にクラスタ数を減らし、プログレッシブ・クラスタリングを実装している。
  論文  参考訳（メタデータ） (2020-07-06T08:11:03Z)
• Residual-Sparse Fuzzy $C$-Means Clustering Incorporating Morphological Reconstruction and Wavelet frames [146.63177174491082]
  Fuzzy $C$-Means (FCM)アルゴリズムは、形態的再構成操作とタイトウェーブレットフレーム変換を組み込んでいる。 特徴集合とその理想値の間の残差に対して$ell_0$正規化項を付与することにより、改良されたFCMアルゴリズムを提案する。 合成, 医用, カラー画像に対する実験結果から, 提案アルゴリズムは効率的かつ効率的であり, 他のアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-14T10:00:03Z)

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。