論文の概要: Bayesian Probabilistic Numerical Integration with Tree-Based Models

• arxiv url: http://arxiv.org/abs/2006.05371v3
• Date: Thu, 2 Dec 2021 13:35:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 14:55:12.614354
• Title: Bayesian Probabilistic Numerical Integration with Tree-Based Models
• Title（参考訳）: ベイズ確率的数値積分と木ベースモデル
• Authors: Harrison Zhu, Xing Liu, Ruya Kang, Zhichao Shen, Seth Flaxman and Fran\c{c}ois-Xavier Briol
• Abstract要約: BQはベイズ方式で数値積分問題を解く方法である。 BART-Int. BART はチューニングが容易で、不連続関数に適している。
• 参考スコア（独自算出の注目度）: 5.353941016039247
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bayesian quadrature (BQ) is a method for solving numerical integration problems in a Bayesian manner, which allows users to quantify their uncertainty about the solution. The standard approach to BQ is based on a Gaussian process (GP) approximation of the integrand. As a result, BQ is inherently limited to cases where GP approximations can be done in an efficient manner, thus often prohibiting very high-dimensional or non-smooth target functions. This paper proposes to tackle this issue with a new Bayesian numerical integration algorithm based on Bayesian Additive Regression Trees (BART) priors, which we call BART-Int. BART priors are easy to tune and well-suited for discontinuous functions. We demonstrate that they also lend themselves naturally to a sequential design setting and that explicit convergence rates can be obtained in a variety of settings. The advantages and disadvantages of this new methodology are highlighted on a set of benchmark tests including the Genz functions, and on a Bayesian survey design problem.
• Abstract（参考訳）: ベイズ二次法 (Bayesian quadrature, BQ) は、ベイズ的な方法で数値積分問題を解く方法であり、ユーザーは解に関する不確実性を定量化することができる。 bqに対する標準的なアプローチは、インテグレードのガウス過程(gp)近似に基づいている。 結果として、BQ は本質的に GP 近似を効率的に行うことができる場合に限られるため、高次元あるいは非滑らかなターゲット関数をしばしば禁止する。 本稿では,BART-Intと呼ばれるベイズ的付加回帰木(Bayesian Additive Regression Trees, BART)に基づく新しいベイズ的数値積分アルゴリズムを提案する。 BARTプリエントはチューニングが容易で、不連続関数に適している。 また,逐次的な設計設定にも自然に適合し,様々な設定で明示的な収束率が得られることを示す。 この新しい方法論の利点と欠点は、Genz関数を含む一連のベンチマークテストとベイズの調査設計問題で強調されている。

関連論文リスト

• BatchGFN: Generative Flow Networks for Batch Active Learning [80.73649229919454]
  BatchGFNは、生成フローネットワークを使用してバッチ報酬に比例したデータポイントのセットをサンプリングする、プールベースのアクティブラーニングのための新しいアプローチである。 提案手法は,おもちゃの回帰問題において,1点当たり1回の前方通過で推定時間に近距離最適効用バッチをサンプリングすることを可能にした。
  論文  参考訳（メタデータ） (2023-06-26T20:41:36Z)
• Bayesian Numerical Integration with Neural Networks [27.807370932294326]
  ベイジアン・スタイン・ネットワーク(Bayesian Stein Network)と呼ばれるベイジアン・ニューラルネットワークに基づく代替手法を提案する。 鍵となる要素は、スタイン演算子に基づくニューラルネットワークアーキテクチャと、ラプラス近似に基づくベイズ後部の近似である。 これは、人気のあるGenz関数のベンチマークにおける桁違いのスピードアップと、力学系のベイズ解析で生じる問題に繋がることを示す。
  論文  参考訳（メタデータ） (2023-05-22T17:19:09Z)
• Batch Bayesian optimisation via density-ratio estimation with guarantees [26.052368583196426]
  本稿では,BOREの後悔を理論的に分析し,不確実性の推定を改良したアルゴリズムの拡張について述べる。 また,BOREを近似ベイズ推論として再キャストすることにより,バッチ最適化設定に自然に拡張可能であることを示す。
  論文  参考訳（メタデータ） (2022-09-22T00:42:18Z)
• Surrogate modeling for Bayesian optimization beyond a single Gaussian process [62.294228304646516]
  本稿では,探索空間の活用と探索のバランスをとるための新しいベイズ代理モデルを提案する。 拡張性のある関数サンプリングを実現するため、GPモデル毎にランダムな特徴ベースのカーネル近似を利用する。 提案した EGP-TS を大域的最適に収束させるため,ベイズ的後悔の概念に基づいて解析を行う。
  論文  参考訳（メタデータ） (2022-05-27T16:43:10Z)
• GP-BART: a novel Bayesian additive regression trees approach using Gaussian processes [1.03590082373586]
  GP-BARTモデル(GP-BART model)は、すべての木間の各終端ノードの予測にGP先行を仮定することで制限に対処するBARTの拡張である。 モデルの有効性は、シミュレーションおよび実世界のデータへの応用を通じて実証され、様々なシナリオにおける従来のモデリング手法のパフォーマンスを上回る。
  論文  参考訳（メタデータ） (2022-04-05T11:18:44Z)
• Generalized Bayesian Additive Regression Trees Models: Beyond Conditional Conjugacy [2.969705152497174]
  本稿では,BARTの適用範囲を任意の一般化BARTモデルに拡大する。 我々のアルゴリズムは、ユーザがその勾配とフィッシャー情報を(任意に)計算できることのみを要求する。 我々は生存分析、構造化ヘテロスケダスティック回帰、ガンマ形状回帰の例を考察する。
  論文  参考訳（メタデータ） (2022-02-20T22:52:07Z)
• Bayesian decision-making under misspecified priors with applications to meta-learning [64.38020203019013]
  トンプソンサンプリングやその他のシーケンシャルな意思決定アルゴリズムは、文脈的包帯における探索と探索のトレードオフに取り組むための一般的なアプローチである。 性能は不特定な事前条件で優雅に低下することを示す。
  論文  参考訳（メタデータ） (2021-07-03T23:17:26Z)
• Randomised Gaussian Process Upper Confidence Bound for Bayesian Optimisation [60.93091603232817]
  改良されたガウス過程上信頼境界(GP-UCB)取得関数を開発した。 これは、分布から探索・探索トレードオフパラメータをサンプリングすることによって行われる。 これにより、期待されるトレードオフパラメータが、関数のベイズ的後悔に縛られることなく、問題によりよく適合するように変更できることが証明される。
  論文  参考訳（メタデータ） (2020-06-08T00:28:41Z)
• Best Arm Identification for Cascading Bandits in the Fixed Confidence Setting [81.70513857417106]
  CascadeBAIを設計し、分析する。これは、$K$アイテムのベストセットを見つけるアルゴリズムである。 CascadeBAIの時間的複雑さの上限は、決定的な分析課題を克服することによって導かれる。 その結果,カスケードBAIの性能は,時間的複雑性の低い境界の導出により,いくつかの実践的状況において最適であることが示唆された。
  論文  参考訳（メタデータ） (2020-01-23T16:47:52Z)
• Distributionally Robust Bayesian Quadrature Optimization [60.383252534861136]
  確率分布が未知な分布の不確実性の下でBQOについて検討する。 標準的なBQOアプローチは、固定されたサンプル集合が与えられたときの真の期待目標のモンテカルロ推定を最大化する。 この目的のために,新しい後方サンプリングに基づくアルゴリズム,すなわち分布的に堅牢なBQO(DRBQO)を提案する。
  論文  参考訳（メタデータ） (2020-01-19T12:00:33Z)
• Variational Bayesian Methods for Stochastically Constrained System Design Problems [7.347989843033034]
  本稿では,パラメータ化プログラムとして表現されるシステム設計問題について,確率制約セットを用いて検討する。 後続予測積分を近似的に計算するための変分ベイズ法を提案する。
  論文  参考訳（メタデータ） (2020-01-06T05:21:39Z)

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。