ブラックボックス変分推論の信頼性を改善するためのフレームワーク【JST機械翻訳】

Welandawe Manushi; Andersen Michael Riis; Vehtari Aki; Huggins Jonathan H.

プレプリント

J-GLOBAL ID：202202217309706980 整理番号：22P0322166

ブラックボックス変分推論の信頼性を改善するためのフレームワーク【JST機械翻訳】

A Framework for Improving the Reliability of Black-box Variational Inference

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年03月29日プレプリントサーバーでの情報更新日： 2024年05月16日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

ブラックボックス変分推論(BBVI)は,近似Bayes推論のためのMarkov連鎖モンテカルロ法に対する高速ではあるが柔軟な代替案として,機械学習および統計学における広範な利用を現在見ている。しかし,BBVIのための確率的最適化法は信頼性が低く,効果的に適用するために実質的な専門知識と手の調整を必要とする。本論文では,BBVI最適化の信頼性を改善するためのフレームワークであるロバストで自動化したブラックボックスVI(RABVI)を提案した。RABVIは厳密に正当化された自動化技術に基づいており,ほんの少数の直感的チューニングパラメータを含み,最適変分近似の不正確な推定値を検出する。RABVIは,適応的に固定学習速度反復の収束を検出することによって学習速度を減少して,次に現在の変分近似と最適のものの間の対称化Kullback-Leibler(KL)発散を推定した。また,(i)より小さな学習を用いた場合の対称化KL発散における予測された相対的減少,および(ii)より小さな学習速度で収束するために必要となる予測計算の比較を行うことにより,計算コストに対して望ましい精度のバランスをとることを可能にする新しい最適化終了基準を採用した。注意深く設計したシミュレーション研究と実世界モデルとデータ例の多様な集合により,RABVIのロバスト性と精度を検証した。【JST機械翻訳】

, , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , 信号理論 , 医用画像処理 , システム・制御理論一般

, ,

前のページに戻る