論文の概要: Active Learning Approach to Optimization of Experimental Control

• arxiv url: http://arxiv.org/abs/2003.11804v2
• Date: Fri, 27 Mar 2020 02:35:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-19 22:15:49.808976
• Title: Active Learning Approach to Optimization of Experimental Control
• Title（参考訳）: アクティブラーニングによる実験制御の最適化
• Authors: Yadong Wu, Zengming Meng, Kai Wen, Chengdong Mi, Jing Zhang and Hui Zhai
• Abstract要約: 実験制御を最適化する汎用機械学習方式を提案する。 このアプローチの主な課題は、実験から得られたラベル付きデータが豊富でないことである。 本手法は, 何百もの実験走行において, 最高の性能を達成できることを実証する。
• 参考スコア（独自算出の注目度）: 4.321539843681834
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work we present a general machine learning based scheme to optimize experimental control. The method utilizes the neural network to learn the relation between the control parameters and the control goal, with which the optimal control parameters can be obtained. The main challenge of this approach is that the labeled data obtained from experiments are not abundant. The central idea of our scheme is to use the active learning to overcome this difficulty. As a demonstration example, we apply our method to control evaporative cooling experiments in cold atoms. We have first tested our method with simulated data and then applied our method to real experiments. We demonstrate that our method can successfully reach the best performance within hundreds of experimental runs. Our method does not require knowledge of the experimental system as a prior and is universal for experimental control in different systems.
• Abstract（参考訳）: 本研究では,実験制御を最適化する汎用機械学習方式を提案する。 ニューラルネットワークを用いて制御パラメータと制御目標の関係を学習し、最適制御パラメータを得ることができる。 このアプローチの主な課題は、実験から得られたラベル付きデータが豊富でないことである。 私たちの計画の中心的な考え方は、この困難を克服するためにアクティブな学習を使用することです。 実例として,寒冷原子の蒸発冷却実験の制御に本手法を適用した。 まずシミュレーションデータを用いて本手法をテストし,本手法を実実験に適用した。 本手法は,数百の実験実行で最高の性能に到達できることを実証する。 本手法は,実験システムの知識を事前に必要とせず,異なるシステムにおける実験制御に普遍的である。

関連論文リスト

• Adaptive Experimentation When You Can't Experiment [55.86593195947978]
  本稿では,Emphcon founded the pure exploration transductive linear bandit (textttCPET-LB) problem。 オンラインサービスは、ユーザーを特定の治療にインセンティブを与える、適切にランダム化された励ましを利用することができる。
  論文  参考訳（メタデータ） (2024-06-15T20:54:48Z)
• Effect Size Estimation for Duration Recommendation in Online Experiments: Leveraging Hierarchical Models and Objective Utility Approaches [13.504353263032359]
  仮定効果サイズ(AES)の選択は、実験の期間を決定的に決定し、その結果、その精度と効率が決定される。 伝統的に、実験者はドメイン知識に基づいてAESを決定するが、この方法は多数の実験を管理するオンライン実験サービスにとって実用的ではない。 オンライン実験サービスにおけるデータ駆動型AES選択のための2つのソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-20T09:34:28Z)
• Adaptive Instrument Design for Indirect Experiments [48.815194906471405]
  RCTとは異なり、間接的な実験は条件付き機器変数を利用して治療効果を推定する。 本稿では,データ収集ポリシーを適応的に設計することで,間接実験におけるサンプル効率の向上に向けた最初のステップについて述べる。 我々の主な貢献は、影響関数を利用して最適なデータ収集ポリシーを探索する実用的な計算手順である。
  論文  参考訳（メタデータ） (2023-12-05T02:38:04Z)
• Tuning Legged Locomotion Controllers via Safe Bayesian Optimization [47.87675010450171]
  本稿では,ロボットハードウェアプラットフォームにおけるモデルベースコントローラの展開を効率化するための,データ駆動型戦略を提案する。 モデルフリーな安全な学習アルゴリズムを用いて制御ゲインのチューニングを自動化し、制御定式化で使用される単純化されたモデルと実システムとのミスマッチに対処する。
  論文  参考訳（メタデータ） (2023-06-12T13:10:14Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• Design of experiments for the calibration of history-dependent models via deep reinforcement learning and an enhanced Kalman filter [0.0]
  本稿では,Kalmanフィルタ(KF)を用いて得られたKulback-Leibler分散による情報ゲインを最大化する実験設計のための深層強化学習アルゴリズムを提案する。 決定木とマルコフ決定プロセス (MDP) として実験の可能な構成を定式化し、各段階ごとに有限な行動選択が可能である。 前方予測のための仮説をテストするために追加サンプリングを必要とするナッシュ・サトクリフ効率(NSE)指数とは対照的に、KFは追加アクションによって得られた新しいデータの値を直接推定することで、実験のコストを下げることができる。
  論文  参考訳（メタデータ） (2022-09-27T02:56:08Z)
• Active Exploration via Experiment Design in Markov Chains [86.41407938210193]
  科学と工学における重要な課題は、未知の量の興味について学ぶために実験を設計することである。 本稿では,最適値に収束したポリシを効率的に選択するアルゴリズムを提案する。 理論分析に加えて,生態モニタリングと薬理学の応用に関する枠組みを概説する。
  論文  参考訳（メタデータ） (2022-06-29T00:04:40Z)
• Lessons Learned from Data-Driven Building Control Experiments: Contrasting Gaussian Process-based MPC, Bilevel DeePC, and Deep Reinforcement Learning [0.0]
  この写本は、多くの近代的なデータ駆動技術に関する実験主義者の視点を提供する。 データ要件、使いやすさ、計算負担、実世界のアプリケーションのコンテキストにおける堅牢性の観点から比較される。
  論文  参考訳（メタデータ） (2022-05-31T11:40:22Z)
• Sequential Bayesian experimental designs via reinforcement learning [0.0]
  我々は,BEDを逐次的に構築するために,強化学習による逐次実験設計を提案する。 提案手法は,新たな実世界指向実験環境を提案することで,期待される情報獲得を最大化することを目的としている。 提案手法は,EIGやサンプリング効率などの指標において,既存の手法よりも優れていることを確認した。
  論文  参考訳（メタデータ） (2022-02-14T04:29:04Z)
• Automated Deepfake Detection [19.17617301462919]
  本稿では,Deepfake検出のためのアーキテクチャを自動検索する機械学習を提案する。 提案手法が従来の非深度学習法より優れているだけでなく,予測精度が向上することが実験的に証明された。
  論文  参考訳（メタデータ） (2021-06-20T14:48:50Z)
• Incorporating Expert Prior Knowledge into Experimental Design via Posterior Sampling [58.56638141701966]
  実験者は、グローバルな最適な場所に関する知識を得ることができる。 グローバル最適化に関する専門家の事前知識をベイズ最適化に組み込む方法は不明である。 効率の良いベイズ最適化手法は、大域的最適の後方分布の後方サンプリングによって提案されている。
  論文  参考訳（メタデータ） (2020-02-26T01:57:36Z)

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。