論文の概要: On Bayesian Search for the Feasible Space Under Computationally Expensive Constraints

• arxiv url: http://arxiv.org/abs/2004.11055v2
• Date: Wed, 24 Jun 2020 12:00:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-10 08:44:39.834363
• Title: On Bayesian Search for the Feasible Space Under Computationally Expensive Constraints
• Title（参考訳）: 計算的余剰制約下における有益空間のベイズ探索について
• Authors: Alma Rahat and Michael Wood
• Abstract要約: 実現可能空間と実現不可能空間の境界に解が存在する確率を結合した新しい獲得関数を提案する。 実験により提案機能の有効性が確認された。
• 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 are often interested in identifying the feasible subset of a decision space under multiple constraints to permit effective design exploration. If determining feasibility required computationally expensive simulations, the cost of exploration would be prohibitive. Bayesian search is data-efficient for such problems: starting from a small dataset, the central concept is to use Bayesian models of constraints with an acquisition function to locate promising solutions that may improve predictions of feasibility when the dataset is augmented. At the end of this sequential active learning approach with a limited number of expensive evaluations, the models can accurately predict the feasibility of any solution obviating the need for full simulations. In this paper, we propose a novel acquisition function that combines the probability that a solution lies at the boundary between feasible and infeasible spaces (representing exploitation) and the entropy in predictions (representing exploration). Experiments confirmed the efficacy of the proposed function.
• Abstract（参考訳）: 私たちはしばしば、効率的な設計探索を可能にするために、複数の制約の下で決定空間の実行可能なサブセットを特定することに興味があります。 実現可能性を決定するのに計算に高価なシミュレーションが必要ならば、探索のコストは禁じられるだろう。 ベイジアン探索は、小さなデータセットから始めると、中心となる概念は、データセットが拡張されたときに実現可能性の予測を改善する可能性のあるソリューションを見つけるために、獲得関数と制約のベイジアンモデルを使用することである。 このシーケンシャルなアクティブな学習アプローチの最後には、高価な評価が限られており、モデルは完全なシミュレーションの必要性を回避できるあらゆるソリューションの有効性を正確に予測することができる。 本稿では,実現可能空間と実現不可能空間の境界に解が存在する確率と,予測におけるエントロピー(探索の表現)を結合した新しい獲得関数を提案する。 実験により提案機能の有効性が確認された。

関連論文リスト

• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Minimax and Communication-Efficient Distributed Best Subset Selection with Oracle Property [0.358439716487063]
  大規模データの爆発はシングルマシンシステムの処理能力を上回っている。 分散推論への伝統的なアプローチは、高次元データセットにおいて真の疎性を達成するのにしばしば苦労する。 そこで本稿では,これらの問題に対処する2段階分散ベストサブセット選択アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-30T13:22:08Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
  ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。 カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。 我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-09T03:55:09Z)
• Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
  低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。 既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。 提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
  論文  参考訳（メタデータ） (2023-07-08T15:41:48Z)
• STEERING: Stein Information Directed Exploration for Model-Based Reinforcement Learning [111.75423966239092]
  遷移モデルの現在の推定値と未知の最適値との間の積分確率距離(IPM)の観点から探索インセンティブを提案する。 KSDに基づく新しいアルゴリズムを開発した。 textbfSTEin information dirtextbfEcted Explor for model-based textbfReinforcement Learntextbfing。
  論文  参考訳（メタデータ） (2023-01-28T00:49:28Z)
• Bayesian sequential design of computer experiments for quantile set inversion [0.0]
  複素数値シミュレータのようなシステムを表現する未知の多変量関数を考える。 我々の目的は、確率が与えられた閾値未満の出力につながる決定論的入力のセットを推定することである。
  論文  参考訳（メタデータ） (2022-11-02T10:14:05Z)
• Predicting the utility of search spaces for black-box optimization: a simple, budget-aware approach [25.07599332807319]
  ブラックボックス最適化では、ソリューションを探索する検索スペースを指定する必要がある。 多くのアプリケーションにおいて、高品質な検索スペースを見つけることは困難である。 本稿では,確率的応答曲面モデルに適用した実用関数に基づく簡易スコアリング手法を提案する。
  論文  参考訳（メタデータ） (2021-12-15T16:28:28Z)
• Approximate Bayesian Optimisation for Neural Networks [6.921210544516486]
  モデル選択の重要性を強調するために、機械学習アルゴリズムを自動化するための一連の作業が行われた。 理想主義的な方法で解析的トラクタビリティと計算可能性を解決する必要性は、効率と適用性を確保することを可能にしている。
  論文  参考訳（メタデータ） (2021-08-27T19:03:32Z)
• Offline Model-Based Optimization via Normalized Maximum Likelihood Estimation [101.22379613810881]
  データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。 この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。 我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
  論文  参考訳（メタデータ） (2021-02-16T06:04:27Z)
• Necessary and Sufficient Conditions for Inverse Reinforcement Learning of Bayesian Stopping Time Problems [22.498689292081156]
  本稿では,ベイジアン停止時間問題に対する逆強化学習(IRL)フレームワークを提案する。 ベイズ決定器の動作を観察することにより、これらの動作がコスト関数の最適化と一致しているかどうかを識別するのに必要かつ十分な条件を提供する。 我々のIRLアルゴリズムは最適性を同定し、コスト関数の値が設定された推定値を構成する。
  論文  参考訳（メタデータ） (2020-07-07T14:14:12Z)

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。