抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
Bayesコアセットは,計算コストを削減するという目標で,Bayes推論中に完全なデータセットを置き換えるデータの小,加重部分集合である。過去の研究は経験的に,低い推論誤差のコアセットが存在するが,そのようなコアセットを効率的に構築することは,課題として残っている。現在の方法は遅い傾向があり,コアセット構築後に二次推論ステップを必要とし,データ限界証拠に限界を与えない。本研究では,これらの課題の3つ全てを扱う新しい方法-スパースハミルトニアン流を導入した。この方法は,最初にデータを一様にサブサンプリングし,次に,コアセット重みによってパラメータ化されたハミルトニアン流を最適化し,周期的運動量準リフレッシュメントステップを含む。理論的結果は,この方法が代表的モデルにおけるデータセットの指数関数的圧縮を可能にし,準更新ステップがKL発散をターゲットに低減することを示した。実および合成実験は,スパースハミルトニアン流が,競合する動的システムベースの推論法と比較して,かなり減少した実行時間で正確な事後近似を提供することを示した。【JST・京大機械翻訳】