Generative Adversarial Networks for High-Dimensional Item Factor Analysis: A Deep Adversarial Learning Algorithm

要約

深い学習と表現学習の進歩により、より効率的で正確なパラメーター推定を可能にすることにより、アイテム応答理論（IRT）の文献のアイテム因子分析（IFA）が変革されました。
このコンテキストで高次元潜在変数をモデル化する上で、変分自動エンコーダー（VAE）は最も影響力のある手法の1つです。
ただし、従来のVAEに基づく推論モデルの限られた表現力は、推定パフォーマンスを妨げる可能性があります。
柔軟性と精度を向上させて、IFAのVAEの改善として、敵対的な変異ベイズ（AVB）アルゴリズムを導入します。
VAEと生成敵のネットワーク（GANS）の強みを橋渡しすることにより、AVBには、推定プロセスを2人の敵対的ゲームとして再構成するために補助論文ネットワークを組み込み、推論モデルの標準的な正常分布の制限的な仮定を削除します。
理論的には、AVBはVAEと比較して同様またはより高い可能性を達成できます。
さらに強化されたアルゴリズムである重要性加重逆説的な変動ベイズ（IWAVB）が提案され、重要な加重自己エンコーダー（IWAE）と比較されます。
経験的データの探索的分析では、IWAVBは、IWAEと比較してより高い可能性を達成することにより、優れた表現力を実証しました。
シミュレートされたデータを使用した確認分析では、IWAVBはIWAEと同様の平均二乗誤差結果を達成し、一貫してより高い可能性を達成しました。
潜在変数がマルチモーダル分布に続いた場合、IWAVBはiWAEを上回りました。
GANの革新的な使用により、IWAVBはIFAを拡張して大規模なデータを処理する可能性があることが示されており、精神測量とマルチモーダルデータ分析の潜在的な統合を促進します。

要約(オリジナル)

Advances in deep learning and representation learning have transformed item factor analysis (IFA) in the item response theory (IRT) literature by enabling more efficient and accurate parameter estimation. Variational Autoencoders (VAEs) have been one of the most impactful techniques in modeling high-dimensional latent variables in this context. However, the limited expressiveness of the inference model based on traditional VAEs can still hinder the estimation performance. We introduce Adversarial Variational Bayes (AVB) algorithms as an improvement to VAEs for IFA with improved flexibility and accuracy. By bridging the strengths of VAEs and Generative Adversarial Networks (GANs), AVB incorporates an auxiliary discriminator network to reframe the estimation process as a two-player adversarial game and removes the restrictive assumption of standard normal distributions in the inference model. Theoretically, AVB can achieve similar or higher likelihood compared to VAEs. A further enhanced algorithm, Importance-weighted Adversarial Variational Bayes (IWAVB) is proposed and compared with Importance-weighted Autoencoders (IWAE). In an exploratory analysis of empirical data, IWAVB demonstrated superior expressiveness by achieving a higher likelihood compared to IWAE. In confirmatory analysis with simulated data, IWAVB achieved similar mean-square error results to IWAE while consistently achieving higher likelihoods. When latent variables followed a multimodal distribution, IWAVB outperformed IWAE. With its innovative use of GANs, IWAVB is shown to have the potential to extend IFA to handle large-scale data, facilitating the potential integration of psychometrics and multimodal data analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google