Fugu-MT 論文翻訳(概要): Non-Parametric Mutual Information Estimation with Vine Copulas

論文の概要: Non-Parametric Mutual Information Estimation with Vine Copulas

arxiv url: http://arxiv.org/abs/2611.07693v1
Date: Thu, 05 Nov 2026 09:18:29 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-06 21:50:50.616348
Title: Non-Parametric Mutual Information Estimation with Vine Copulas
Title（参考訳）: Vine Copulaを用いた非パラメトリック相互情報推定
Abstract要約: 単純D-vineコプラに基づく非パラメトリック相互情報(MI)推定器であるVINEを紹介する。単純化されたD-vine仮定が成立する設定と、それが違反する場所の両方において、VINEとSotAニューラルMI推定器を比較した。
参考スコア（独自算出の注目度）: 2.1530718840070784
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce VINE: a non-parametric mutual information (MI) estimator based on simplified D-vine copulas. Approximating the joint density with a simplified D-vine allows the density ratio to simplify to a product of pair copulas, which we can estimate non-parametrically. This structural simplification yields VINE, a flexible and computationally efficient MI estimator. We compare VINE against SotA neural MI estimators on a range of datasets, both under settings where the simplified D-vine assumption holds and where it is violated, demonstrating competitive accuracy at a lower computational cost for low- to medium-dimensional datasets.
Abstract（参考訳）: 単純D-vineコプラに基づく非パラメトリック相互情報(MI)推定器であるVINEを紹介する。単純化されたD-ビンで結合密度を近似すると、密度比はペアコプラの積に単純化され、非パラメトリックに推定できる。この構造的単純化により、柔軟で計算効率の良いMI推定器であるVINEが得られる。我々は、単純化されたD-vine仮定が成立する設定と、それが違反する場所の両方において、低次元から中次元のデータセットの計算コストの低い競合精度を示すために、様々なデータセット上でVINEとSotAのニューラルMI推定器を比較した。

関連論文リスト

Efficient Estimation of High Information Projections using Nearest Neighbours [2.741266294612775]
提案手法は,データに最も近い近傍関係の強化に基づく。標準的な正則性条件下では、この行列はいわゆる「密度情報行列」の一貫した推定器であることが示される。
論文参考訳（メタデータ） (2026-08-26T15:01:55Z)
Distributionally Faithful Imputation via Positive Semi-Definite Kernel Density Estimation [55.47411235954028]
マスク観測による密度推定では,不規則に不規則に不規則な計算を行う。我々は,ニュートン内点法で解ける閉じた形状の辺縁を持つ凸型経験的リスク問題を得る。結果のPSDインプットモデルでは、同一の入射密度から単一および多重インプットが得られる。
論文参考訳（メタデータ） (2026-07-08T15:51:05Z)
Minimum Distance Summaries for Robust Neural Posterior Estimation [7.4716500353679685]
シミュレーションベース推論(SBI)は、前シミュレーションペア上で神経後部推定器(NPE)をトレーニングすることで、償却ベイズ推論を可能にする。プリミティブ・ディスタンス・サマリー(minimum-distance summaries)は,プレトレーニング済みのNPEとは独立に,クエリされたテスト時間サマリーを適応するプラグイン・ロバストなNPE手法である。
論文参考訳（メタデータ） (2026-02-09T20:06:15Z)
Information-Theoretic Discrete Diffusion [8.018632880023336]
本稿では,離散拡散モデルに対する情報理論フレームワークを提案する。結果は、最適スコアベースの損失の観点から、データのログライクな状態の時間分解を提供する。合成および実世界のデータを用いた実験により, 推定器の精度, 分散安定性, 有用性が確認された。
論文参考訳（メタデータ） (2025-10-28T05:59:05Z)
Data-Efficient Machine Learning Potentials via Difference Vectors Based on Local Atomic Environments [13.307935336307475]
局所原子環境(DV-LAE)に基づく新しい差分ベクトルを提案する。 DV-LAEは、ヒストグラムベースの記述子を用いて構造的差異を符号化し、t-S次元減少による視覚解析を可能にする。 DV-LAEは, 各種材料システムにおけるデータセットサイズとトレーニング時間を著しく短縮することを示した。
論文参考訳（メタデータ） (2025-01-27T04:08:37Z)
Density Estimation via Binless Multidimensional Integration [45.21975243399607]
非パラメトリック、ロバスト、およびデータ効率の高い密度推定のためのBinless Multidimensional Thermodynamic Integration (BMTI)法を提案する。 BMTIは、近隣のデータポイント間の対数密度差を計算し、その密度の対数を推定する。この方法は様々な複雑な合成高次元データセットでテストされ、化学物理学の文献から現実的なデータセットでベンチマークされる。
論文参考訳（メタデータ） (2024-07-10T23:45:20Z)
Geometry-Aware Instrumental Variable Regression [56.16884466478886]
本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
論文参考訳（メタデータ） (2024-05-19T17:49:33Z)
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)
Information Theoretic Structured Generative Modeling [13.117829542251188]
構造生成モデル (Structured Generative Model, SGM) と呼ばれる新しい生成モデルフレームワークが提案され, 簡単な最適化が可能となった。この実装では、無限のガウス混合モデルを学習するために適合した単一白色ノイズ源への正則入力によって駆動される1つのニューラルネットワークを採用している。予備的な結果は、SGMがデータ効率と分散、従来のガウス混合モデルと変分混合モデル、および敵ネットワークのトレーニングにおいてMINE推定を著しく改善することを示している。
論文参考訳（メタデータ） (2021-10-12T07:44:18Z)
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)
Federated Deep AUC Maximization for Heterogeneous Data with a Constant Communication Complexity [77.78624443410216]
異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。 FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
論文参考訳（メタデータ） (2021-02-09T04:05:19Z)

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。