論文の概要: Prior-data fitted networks for variable selection

• arxiv url: http://arxiv.org/abs/2611.05966v1
• Date: Wed, 04 Nov 2026 05:02:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.946711
• Title: Prior-data fitted networks for variable selection
• Title（参考訳）: 可変選択のための事前データ付きネットワーク
• Abstract要約: CD-PFNは条件依存を識別し、PC-PFNは因果グラフ内の親子を識別する。 オープンソースソフトウェアも利用可能である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prior-data fitted networks (PFNs) have become state-of-the-art for tabular prediction but remain underexplored in other areas of statistics. In this work, we present two PFNs for Bayesian variable selection: CD-PFN identifies conditional dependencies, and PC-PFN identifies parents and children in a causal graph. Both networks estimate posterior inclusion probabilities (PIPs) without posterior samples or data-specific modeling. In semi-synthetic and real data experiments, CD-PFN and PC-PFN often outperform existing methods, demonstrating the value of PFNs for variable selection and their potential in statistics more broadly. Open-source software is available.
• Abstract（参考訳）: 先行データ対応ネットワーク(PFN)は、表形式での予測では最先端だが、他の統計分野では未探索のままである。 本研究では, ベイズ変数選択のための2つのPFNについて述べる。CD-PFNは条件依存を同定し, PC-PFNは因果グラフ内の親子を同定する。 どちらのネットワークも、後部サンプルやデータ固有のモデリングなしで後部包摂可能性(PIP)を推定する。 半合成および実データ実験において、CD-PFNとPC-PFNは既存の手法よりも優れており、変数選択のためのPFNの価値と統計学におけるそのポテンシャルがより広く示される。 オープンソースソフトウェアも利用可能である。

関連論文リスト

• Characterizing the Separability Gap in Prior-Data Fitted Networks [16.359697201005073]
  簡単な設定であっても、一般的なPFNプリエントは分離不能であることを示す。 不特定性の下では、事前の非分離性は、条件付きラベルの適合を犠牲にして、より良い特徴に適合する。 本研究は,PFN評価におけるラベルなしデータ使用の明示的な規則の必要性を浮き彫りにした。
  論文  参考訳（メタデータ） (2026-10-10T15:07:36Z)
• Diverse Data Augmentation with Diffusions for Effective Test-time Prompt Tuning [73.75282761503581]
  DiffTPTを提案する。DiffTPTは,事前学習した拡散モデルを用いて,多種多様な情報データを生成する。 DiffTPTがゼロショット精度を平均5.13%向上することを示す。
  論文  参考訳（メタデータ） (2023-08-11T09:36:31Z)
• Joint Bayesian Inference of Graphical Structure and Parameters with a Single Generative Flow Network [59.79008107609297]
  本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。 サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。 パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
  論文  参考訳（メタデータ） (2023-05-30T19:16:44Z)
• Transformers Can Do Bayesian Inference [56.99390658880008]
  我々はPFN(Presideed Data Fitted Networks)を提案する。 PFNは、大規模機械学習技術におけるインコンテキスト学習を活用して、大規模な後部集合を近似する。 我々は、PFNがガウス過程をほぼ完璧に模倣し、難解問題に対する効率的なベイズ推定を可能にすることを示した。
  論文  参考訳（メタデータ） (2021-12-20T13:07:39Z)
• Probabilistic Numeric Convolutional Neural Networks [80.42120128330411]
  画像や時系列などの連続的な入力信号は、不規則にサンプリングされたり、値が欠けていたりすることは、既存のディープラーニング手法では困難である。 ガウス過程(GP)として特徴を表す確率的畳み込みニューラルネットワークを提案する。 次に、畳み込み層を、このGP上で定義されたPDEの進化として定義し、次いで非線形性とする。 実験では,SuperPixel-MNISTデータセットの先行技術と医療時間2012データセットの競合性能から,提案手法の誤差を3倍に削減できることが示されている。
  論文  参考訳（メタデータ） (2020-10-21T10:08:21Z)
• Bootstrapping Neural Processes [114.97111530885093]
  ニューラル・プロセス(NP)は、ニューラルネットワークを用いた幅広いプロセスのクラスを暗黙的に定義する。 NPは、プロセスの不確実性は単一の潜在変数によってモデル化されるという仮定に依存している。 本稿では,ブートストラップを用いたNPファミリーの新規拡張であるBoostrapping Neural Process (BNP)を提案する。
  論文  参考訳（メタデータ） (2020-08-07T02:23:34Z)
• Sum-product networks: A survey [0.0]
  和積ネットワーク(英: sum-product network、SPN)は、根付き非巡回有向グラフに基づく確率モデルである。 本稿では、SPNの定義、データからの推論と学習のための主要なアルゴリズム、メインアプリケーション、ソフトウェアライブラリの簡単なレビュー、関連するモデルとの比較などについて調査する。
  論文  参考訳（メタデータ） (2020-04-02T17:46:29Z)
• Probability Bracket Notation: Multivariable Systems and Static Bayesian Networks [0.0]
  本稿では,量子力学におけるディラック表記にインスパイアされたシンボリックフレームワークであるProbability Bracket Notation (PBN)を紹介する。 我々は、予測、推測、予測の分析にPBNを適用する方法を示す。 この研究は、確率的モデリングの実践的枠組みと教育ツールとしてのPBNの可能性を強調している。
  論文  参考訳（メタデータ） (2012-07-23T04:56:33Z)

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。