論文の概要: Adaptive Batching for Gaussian Process Surrogates with Application in Noisy Level Set Estimation

• arxiv url: http://arxiv.org/abs/2003.08579v2
• Date: Tue, 13 Jul 2021 05:56:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 03:38:42.070760
• Title: Adaptive Batching for Gaussian Process Surrogates with Application in Noisy Level Set Estimation
• Title（参考訳）: ガウス過程サロゲートの適応バッチ化と雑音レベル設定推定への応用
• Authors: Xiong Lyu and Mike Ludkovski
• Abstract要約: 実験プロセスのメタモデルに適応的な複製設計を開発する。 我々は、マルチレベル適応(MLB)、段階的不確実性低減(ABSUR)、段階的アロケーション(ADSA)、段階的アロケーション(DDSA)の4つの新しいスキームを使用している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We develop adaptive replicated designs for Gaussian process metamodels of stochastic experiments. Adaptive batching is a natural extension of sequential design heuristics with the benefit of replication growing as response features are learned, inputs concentrate, and the metamodeling overhead rises. Motivated by the problem of learning the level set of the mean simulator response we develop four novel schemes: Multi-Level Batching (MLB), Ratchet Batching (RB), Adaptive Batched Stepwise Uncertainty Reduction (ABSUR), Adaptive Design with Stepwise Allocation (ADSA) and Deterministic Design with Stepwise Allocation (DDSA). Our algorithms simultaneously (MLB, RB and ABSUR) or sequentially (ADSA and DDSA) determine the sequential design inputs and the respective number of replicates. Illustrations using synthetic examples and an application in quantitative finance (Bermudan option pricing via Regression Monte Carlo) show that adaptive batching brings significant computational speed-ups with minimal loss of modeling fidelity.
• Abstract（参考訳）: 確率実験のガウス過程メタモデルに対する適応的複製設計法を開発した。 adaptive batchingはシーケンシャルな設計ヒューリスティックの自然な拡張であり、応答機能が学習され、入力が集中し、メタモデリングオーバーヘッドが増加するにつれて、レプリケーションが増加するというメリットがある。 平均シミュレータ応答のレベルセットを学習する問題に動機づけられ、マルチレベルバッチ(mlb)、ラチェットバッチ(rb)、適応バッチ付きステップワイズ不確実性低減(absur)、ステップワイズアロケーション(adsa)による適応設計、ステップワイズアロケーション(ddsa)による決定論的設計という4つの新しいスキームを開発した。 我々のアルゴリズム (MLB, RB, ABSUR) とシーケンシャル (ADSA, DDSA) は, 逐次設計入力と各複製数を決定する。 合成例を用いた図示と定量的ファイナンス(Regression Monte CarloによるBermudanオプションの価格設定)の応用は、適応的バッチ化がモデリング忠実度を最小限に抑え、計算速度を著しく向上させることを示している。

関連論文リスト

• HAAP: Vision-context Hierarchical Attention Autoregressive with Adaptive Permutation for Scene Text Recognition [17.412985505938508]
  内部言語モデル(LM)に基づく手法は、外部のLMに基づく手法で条件独立性に起因する誤り訂正を解決するために置換言語モデリング(PLM)を用いる。 本稿では,アダプティブ・パーミューテーション(Adaptive Permutation, HAAP)を用いた階層的注意自己回帰モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-15T06:41:43Z)
• Let's reward step by step: Step-Level reward model as the Navigators for Reasoning [64.27898739929734]
  Process-Supervised Reward Model (PRM)は、トレーニングフェーズ中にステップバイステップのフィードバックをLLMに提供する。 LLMの探索経路を最適化するために,PRMからのステップレベルのフィードバックを応用した欲求探索アルゴリズムを提案する。 提案手法の汎用性を探るため,コーディングタスクのステップレベル報酬データセットを自動生成する手法を開発し,コード生成タスクにおける同様の性能向上を観察する。
  論文  参考訳（メタデータ） (2023-10-16T05:21:50Z)
• Federated Conditional Stochastic Optimization [110.513884892319]
  条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。 本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-04T01:47:37Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• Quantum Natural Gradient with Efficient Backtracking Line Search [0.0]
  本稿では,効率的なバックトラックライン探索であるArmijoのルールに基づくQNGDの適応的実装を提案する。 我々の結果は、変分量子計算における微分幾何学の重要性の新たな証明である。
  論文  参考訳（メタデータ） (2022-11-01T17:29:32Z)
• A Modular Framework for Reinforcement Learning Optimal Execution [68.8204255655161]
  我々は、最適貿易実行問題への強化学習の適用のためのモジュラーフレームワークを開発する。 このフレームワークは、異なるシミュレーション設定の実装を容易にするために、柔軟性を念頭に設計されている。
  論文  参考訳（メタデータ） (2022-08-11T09:40:42Z)
• Coarse-to-Fine Embedded PatchMatch and Multi-Scale Dynamic Aggregation for Reference-based Super-Resolution [48.093500219958834]
  参照型スーパーリゾリューションのためのAMSA(Accelerated Multi-Scale Aggregation Network)を提案する。 提案したAMSAは,定量評価と定性評価の両面において,最先端の手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-01-12T08:40:23Z)
• Model Selection for Bayesian Autoencoders [25.619565817793422]
  本稿では,オートエンコーダの出力と経験的データ分布との分散スライス-ワッサーシュタイン距離を最適化することを提案する。 我々のBAEは、フレキシブルなディリクレ混合モデルを潜在空間に適合させることにより、生成モデルに変換する。 我々は,教師なしの学習課題に対する膨大な実験的キャンペーンを質的かつ定量的に評価し,先行研究が重要となる小規模データ体制において,我々のアプローチが最先端の結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-06-11T08:55:00Z)
• Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
  マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。 これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
  論文  参考訳（メタデータ） (2021-03-01T22:55:48Z)
• Real-Time Optimization Meets Bayesian Optimization and Derivative-Free Optimization: A Tale of Modifier Adaptation [0.0]
  本稿では,不確実なプロセスのリアルタイム最適化において,プラントモデルミスマッチを克服するための修飾子適応方式について検討する。 提案したスキームは物理モデルを組み込んでおり、探査中のリスクを最小限に抑えるために信頼領域のアイデアに依存している。 取得関数の使用、プロセスノイズレベルを知る、または名目上のプロセスモデルを指定する利点を図示する。
  論文  参考訳（メタデータ） (2020-09-18T12:57:17Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。