論文の概要: Modular Bayesian Inference for Partially Misspecified Mixtures with Uncertain Class Labels

• arxiv url: http://arxiv.org/abs/2610.27085v1
• Date: Mon, 19 Oct 2026 18:00:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.446235
• Title: Modular Bayesian Inference for Partially Misspecified Mixtures with Uncertain Class Labels
• Title（参考訳）: 不確実なクラスラベルを持つ部分的不特定混合に対するモジュラーベイズ推論
• Abstract要約: 偏見から保護するモジュール型ベイズフレームワークを提案する。 固定クラス確率を用いた下流推論から分類を分離する。 次に、信頼できない人口の潜在的貢献がそれらに影響を与えることを防止し、関心のパラメーターに対する推論を保護する。
• 参考スコア（独自算出の注目度）: 1.6419687521433917
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scientific inference often involves observations from multiple latent populations whose class memberships are uncertain and must be inferred from available data. While full Bayesian mixture modelling provides a principled approach to joint uncertainty quantification in this setting, often the model is misspecified or less trustworthy for populations that are not the target of the inference, which can distort posterior inference for the parameters of interest. We propose a modular Bayesian framework that safeguards against such biases. We decouple classification from downstream inference using fixed class probabilities, for example from a classifier trained on a subset of labelled data. We then protect inference on the parameters of interest by preventing the likelihood contributions of less trustworthy populations from influencing them. A key benefit of this principled modularization is that it greatly simplifies inference, reducing a fully joint mixture analysis to sampling label allocations, fitting the protected downstream model for each sample, and averaging the resulting posteriors. We establish calibration conditions on these class probabilities under which the proposed procedure preserves the inferential target of the analysis with known labels, and demonstrate the method in synthetic experiments and in cosmological analysis of photometric supernova samples.
• Abstract（参考訳）: 科学的推論はしばしば、クラスメンバーシップが不確実であり、利用可能なデータから推測されなければならない複数の潜在人口からの観察を伴う。 完全なベイズ混合モデリングは、この設定における共同不確実性定量化に対する原則化されたアプローチを提供するが、しばしばモデルは推論のターゲットではない集団に対して不特定または信頼性が低いため、興味のあるパラメータの後方推論を歪ませることができる。 このようなバイアスから保護するモジュラーベイズフレームワークを提案する。 例えば、ラベル付きデータのサブセットで訓練された分類器から、固定クラス確率を用いて下流推論から分類を分離する。 次に、信頼できない人口の潜在的貢献がそれらに影響を与えることを防止し、関心のパラメーターに対する推論を保護する。 このモジュラー化の重要な利点は、推論を大幅に単純化し、ラベル割り当てをサンプリングするために完全結合混合分析を減らし、各サンプルに対して保護された下流モデルに適合し、結果として得られる後部を平均化することである。 提案手法が既知のラベルを用いた解析の推論目標を保ったこれらのクラス確率の校正条件を確立し, 合成実験および光度超新星試料の宇宙論的解析においてその手法を実証する。

関連論文リスト

• Asymptotically Exact Negative Guidance of Diffusion Models via Positive-Unlabeled Learning [51.56484100374058]
  拡散モデルの負のガイダンスは、参照サンプルまたは条件スコアによって規定された望ましくない条件を避けるサンプルを生成する。 本稿では, 基準サンプルとスコアベース仕様の両方を均一に扱い, 対象密度自体をパラメトリズする回避強度で, 望ましくない条件付近の確率質量を抑える。
  論文  参考訳（メタデータ） (2026-10-14T08:45:27Z)
• VAE-Inf: A statistically interpretable generative paradigm for imbalanced classification [8.677199689027772]
  生成的モデリングと識別的分類のギャップを埋める2段階の枠組みを提案する。 推論のために、自然な仮説テストの解釈を受け入れるプロジェクションベースのスコアを導入する。 様々な実世界のベンチマークの実験は、我々のフレームワークが他のアプローチと競合する性能を達成していることを示している。
  論文  参考訳（メタデータ） (2026-04-28T07:50:56Z)
• FIVA: Federated Inverse Variance Averaging for Universal CT Segmentation with Uncertainty Estimation [4.544160712377809]
  本研究は,多様な腹部CTデータセットにまたがる普遍的なセグメンテーションを実現するための,新しいフェデレーション学習手法を提案する。 提案手法はモデル重みから不確かさを伝搬することにより予測の不確かさを定量化する。 実験により, フェデレーションアグリゲーションと不確実性重み付け推論の品質向上に本手法の有効性が示された。
  論文  参考訳（メタデータ） (2025-08-08T11:34:01Z)
• Correcting Underrepresentation and Intersectional Bias for Classification [49.1574468325115]
  我々は、表現不足のバイアスによって破損したデータから学習する問題を考察する。 偏りのないデータの少ない場合、グループワイドのドロップアウト率を効率的に推定できることが示される。 本アルゴリズムは,有限VC次元のモデルクラスに対して,効率的な学習を可能にする。
  論文  参考訳（メタデータ） (2023-06-19T18:25:44Z)
• Approximate Conditional Coverage via Neural Model Approximations [0.030458514384586396]
  実験的に信頼性の高い近似条件付きカバレッジを得るためのデータ駆動手法を解析する。 我々は、限界範囲のカバレッジ保証を持つ分割型代替案で、実質的な(そして、そうでない)アンダーカバーの可能性を実証する。
  論文  参考訳（メタデータ） (2022-05-28T02:59:05Z)
• Holistic Approach to Measure Sample-level Adversarial Vulnerability and its Utility in Building Trustworthy Systems [17.707594255626216]
  敵対的攻撃は、知覚不能な雑音を伴うイメージを摂動させ、誤ったモデル予測をもたらす。 本稿では,異なる視点を組み合わせることで,サンプルの敵対的脆弱性を定量化するための総合的アプローチを提案する。 サンプルレベルで確実に敵の脆弱性を推定することにより、信頼できるシステムを開発できることを実証する。
  論文  参考訳（メタデータ） (2022-05-05T12:36:17Z)
• False membership rate control in mixture models [1.387448620257867]
  クラスタリングタスクは、サンプルの要素を均質なグループに分割する。 教師付き設定では、このアプローチはよく知られており、禁忌オプションの分類として言及されている。 本稿では, 教師なし混合モデルフレームワークで再検討し, 偽会員率が予め定義された名目レベルを超えないことを保証する手法を開発することを目的とする。
  論文  参考訳（メタデータ） (2022-03-04T22:37:59Z)
• Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
  ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。 分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。 本手法は精度と不確実性の両方を向上することを示す。
  論文  参考訳（メタデータ） (2021-09-27T01:09:08Z)
• Nonparametric Score Estimators [49.42469547970041]
  未知分布によって生成されたサンプルの集合からスコアを推定することは確率モデルの推論と学習における基本的なタスクである。 正規化非パラメトリック回帰の枠組みの下で、これらの推定器の統一的なビューを提供する。 カールフリーカーネルと高速収束による計算効果を享受する反復正規化に基づくスコア推定器を提案する。
  論文  参考訳（メタデータ） (2020-05-20T15:01:03Z)

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。