論文の概要: Estimating Implicit Expected Log Density Ratios

• arxiv url: http://arxiv.org/abs/2610.38151v1
• Date: Wed, 28 Oct 2026 01:35:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.356304
• Title: Estimating Implicit Expected Log Density Ratios
• Title（参考訳）: ログ密度比を推定する
• Abstract要約: 本稿では,エフェクト予測ログ密度比(ELDR: Emphexpected log density ratio)の概念を紹介する。 DREが実際にはELDR推定タスクである場合、暗黙的な密度で多くの問題を示す。 そこで本研究では,DRE法を簡易に修正し,積分分布に収束したサンプルをトレーニングデータに表示できるようにする。
• 参考スコア（独自算出の注目度）: 18.936415032289577
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When exact probabilities cannot be computed, \emph{density ratio estimation (DRE)} is a key subroutine in the wide range of applications where density ratios appear, from experimental design to generative modelling and reinforcement learning. In this paper, we introduce the concept of an \emph{expected log density ratio (ELDR)}: log density ratios that are integrated under some third, possibly distinct measure. We show many problems with implicit densities where DRE is naïvely used are actually ELDR estimation tasks, and prove fundamental limitations on finite-sample ELDR estimation. Based on these results, we argue that the typical DRE-based approaches are unsuitable for ELDR estimation, and provide some foundational motivation towards bespoke ELDR estimators. To demonstrate, we propose a simple modification to some DRE methods that allows samples convergent to the integral distribution to appear in training data. We show through benchmarks that this can improve ELDR estimation error.
• Abstract（参考訳）: 正確な確率が計算できない場合には、実験設計から生成モデリング、強化学習に至るまで、密度比が現れる幅広いアプリケーションにおいて、 \emph{density ratio Estimation (DRE) は重要なサブルーチンである。 本稿では,ある第3の,おそらくは別な尺度の下で統合されたログ密度比(ELDR)の概念を紹介する。 本稿では, DRE が生ずる暗黙的密度が実際に ELDR 推定タスクであることを示すとともに, 有限サンプルELDR 推定の基本的限界を証明している。 これらの結果から,典型的なDREに基づくアプローチはELDR推定には適さないと論じ,ELDR推定に基礎的動機を与える。 そこで本研究では,DRE法を簡易に修正し,積分分布に収束したサンプルをトレーニングデータに表示できるようにする。 ベンチマークを通して、ELDR推定誤差を改善することができることを示す。

関連論文リスト

• FlowSDR: Sufficient Dimension Reduction via Conditional Normalizing Flows [6.1441848595952]
  FlowSDRは、射影と条件密度を共同で学習する可能性に基づくフレームワークである。 ニューラル・ガウス的SDR, ヘテロセダスティックな条件付きガウス的モデルを導入し, 平均と分散は共有ニューラル・ネットワーク関数によってパラメータ化される。
  論文  参考訳（メタデータ） (2026-05-31T16:54:56Z)
• Distributional Evaluation of Generative Models via Relative Density Ratio [12.663086000741872]
  相対密度比(RDR)に基づく生成モデルの機能評価指標を提案する。 生成モデルに適合する良さの関数的要約としてのRDRは、いくつかの望ましい理論的性質を持っていることを示す。 推定されたRDRは、競合する生成モデルの全体的な性能を効果的に比較できるだけでなく、基礎となる善良性を明らかにするための便利な手段も提供できることを示す。
  論文  参考訳（メタデータ） (2025-10-29T13:31:35Z)
• GDR-learners: Orthogonal Learning of Generative Models for Potential Outcomes [50.228749840286895]
  本稿では,潜在的結果の条件分布を推定する生成的Neyman-orthogonal Learningersの一般スイートを紹介する。 提案したGDR-learnerは柔軟で,多くの最先端の深層生成モデルでインスタンス化することができる。 従来の手法とは異なり、GDR学習者は準器効率と二重頑健性の性質を持っている。
  論文  参考訳（メタデータ） (2025-09-26T21:35:28Z)
• Double Cross-fit Doubly Robust Estimators: Beyond Series Regression [13.595329873577839]
  トレーニングデータを分割し,独立したサンプルに縫合したニュアンス推定器を組み込むことで,2次クロスフィット2次ロバスト (DCDR) 推定器を構築することができる。 また,非$sqrtn$条件下においても,非$sqrtn$条件下においても推定が可能であることを示す。
  論文  参考訳（メタデータ） (2024-03-22T12:59:03Z)
• Doubly Robust Distributionally Robust Off-Policy Evaluation and Learning [59.02006924867438]
  オフ政治評価と学習(OPE/L)は、オフラインの観察データを使用してより良い意思決定を行う。 近年の研究では、分散ロバストなOPE/L (DROPE/L) が提案されているが、この提案は逆正則重み付けに依存している。 KL分散不確実性集合を用いたDROPE/Lの最初のDRアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-19T20:00:44Z)
• Density Ratio Estimation via Infinitesimal Classification [85.08255198145304]
  そこで我々は, DRE-inftyを提案する。 DRE-inftyは, 密度比推定(DRE)を, より簡単なサブプロブレムに還元する手法である。 モンテカルロ法にインスパイアされ、中間ブリッジ分布の無限連続体を介して2つの分布の間を滑らかに補間する。 提案手法は,複雑な高次元データセット上での相互情報推定やエネルギーベースモデリングなどの下流タスクにおいて良好に動作することを示す。
  論文  参考訳（メタデータ） (2021-11-22T06:26:29Z)
• Learning to Estimate Without Bias [57.82628598276623]
  ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。 本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。 BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
  論文  参考訳（メタデータ） (2021-10-24T10:23:51Z)
• 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)
• $\gamma$-ABC: Outlier-Robust Approximate Bayesian Computation Based on a Robust Divergence Estimator [95.71091446753414]
  最寄りの$gamma$-divergence推定器をデータ差分尺度として用いることを提案する。 本手法は既存の不一致対策よりも高いロバスト性を実現する。
  論文  参考訳（メタデータ） (2020-06-13T06:09:27Z)

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。