高次元の密度推定と情報推定のための償却型Vineコピュラ

arXiv cs.LG / 2026/4/23

📰 ニュースModels & Research

共有:

要点

この論文では、正確な尤度を保ちつつ高次元の依存関係をモデル化することを目的とした、償却型Vineコピュラ手法Vine Denoising Copula（VDC）を提案している。
VDCは、単一の二変量デノイジングモデルを学習し、Vineの各エッジでそれを再利用することで、従来のVineコピュラにありがちな高コストなエッジごとの最適化を回避する。
各エッジでは疑似観測から密度グリッドを予測し、その後IPFP/Sinkhorn射影によって非負性・単位質量・一様なマージナルを満たすよう制約を課し、Vineの尤度の厳密性とコピュラの解釈可能性を維持する。
合成データと実データのベンチマークでは、二変量密度精度が良好で、相互情報量（MI）や全相関（TC）推定でも競争力があり、高次元Vineフィッティングに対して大幅な高速化が示される。
著者らは、VDCにより大規模な場面でも明示的な情報推定や依存分解が現実的になる一方で、条件付きの下流推論は結果が混在すると述べている。

要旨: 尤度を扱いやすいまま高次元の従属性をモデリングすることは、依然として困難です。古典的なvine-コプラ・パイプラインは解釈可能ですがコストが高くなり得る一方で、多くのニューラル推定器は柔軟ですが構造が弱いです。本研究では、Vine Denoising Copula（VDC）を提案します。これは、1つの二変量デノイジング・モデルを学習し、これを全てのvineの辺にわたって再利用する、償却型（amortized）のvine-コプラ・パイプラインです。各辺について、擬似観測が与えられると、モデルは密度グリッドを予測します。次に、非負性、単位質量、一様マージナルを強制するIPFP/Sinkhorn射影を適用します。これにより、正確なvine尤度を維持しつつ、通常のコプラ解釈も保持します。さらに、繰り返しの辺ごとの最適化を、GPUによる推論で置き換えます。合成データおよび実データのベンチマークにおいて、VDCは二変量密度の精度が高く、MI/TC推定でも競争力があり、高次元のvine適合に対して大幅な速度向上をもたらします。実際には、これらの改善により、繰り返しのvine適合が本来コストのかかる規模でも、明示的な情報推定と従属性の分解が実現可能になります。一方で、条件付きの下流推論については結果が混在しています。