論文の概要: A machine learning approach for efficient multi-dimensional integration
- arxiv url: http://arxiv.org/abs/2009.06697v1
- Date: Mon, 14 Sep 2020 19:11:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 13:19:14.609906
- Title: A machine learning approach for efficient multi-dimensional integration
- Title(参考訳): 効率的な多次元統合のための機械学習アプローチ
- Authors: Boram Yoon
- Abstract要約: 機械学習(ML)技術を用いた新しい多次元統合アルゴリズムを提案する。
これらの結果から,新しいアルゴリズムは,ほとんどのテストケースにおいて,アルゴリズムの精度を桁違いに小さくした積分推定値を提供することがわかった。
- 参考スコア(独自算出の注目度): 3.42658286826597
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a novel multi-dimensional integration algorithm using a machine
learning (ML) technique. After training a ML regression model to mimic a target
integrand, the regression model is used to evaluate an approximation of the
integral. Then, the difference between the approximation and the true answer is
calculated to correct the bias in the approximation of the integral induced by
a ML prediction error. Because of the bias correction, the final estimate of
the integral is unbiased and has a statistically correct error estimation. The
performance of the proposed algorithm is demonstrated on six different types of
integrands at various dimensions and integrand difficulties. The results show
that, for the same total number of integrand evaluations, the new algorithm
provides integral estimates with more than an order of magnitude smaller
uncertainties than those of the VEGAS algorithm in most of the test cases.
- Abstract(参考訳): 機械学習(ML)技術を用いた新しい多次元統合アルゴリズムを提案する。
ターゲット積分を模倣するためにml回帰モデルをトレーニングした後、回帰モデルは積分の近似を評価するために使用される。
そして、近似と真解との差を算出し、ML予測誤差によって誘導される積分の近似のバイアスを補正する。
バイアス補正のため、積分の最終的な推定は偏りがなく、統計的に正しい誤差推定を持つ。
提案アルゴリズムの性能は,様々な次元における6種類の積分および積分の難易度について実証した。
その結果, インテグレート評価の総数に対して, 新アルゴリズムは, テストケースのほとんどの場合において, VEGASアルゴリズムよりも精度が桁違いに小さい積分推定値を提供することがわかった。
関連論文リスト
- Convergence of Expectation-Maximization Algorithm with Mixed-Integer
Optimization [5.319361976450982]
本稿では,特定の種類のEMアルゴリズムの収束を保証する一連の条件を紹介する。
本研究では,混合整数非線形最適化問題の解法として,反復アルゴリズムの新しい解析手法を提案する。
論文 参考訳(メタデータ) (2024-01-31T11:42:46Z) - Improving Accuracy Without Losing Interpretability: A ML Approach for
Time Series Forecasting [4.025941501724274]
時系列予測では、分解に基づくアルゴリズムが集約データを意味のあるコンポーネントに分解する。
近年のアルゴリズムは、予測精度を向上させるために、機械学習(以下、ML)手法と分解を組み合わせていることが多い。
本稿では,分解とMLを組み合わせたハイブリッドアルゴリズムW-Rを提案する。
論文 参考訳(メタデータ) (2022-12-13T14:51:10Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳(メタデータ) (2022-12-06T12:42:11Z) - Posterior and Computational Uncertainty in Gaussian Processes [52.26904059556759]
ガウスのプロセスはデータセットのサイズとともに違法にスケールする。
多くの近似法が開発されており、必然的に近似誤差を導入している。
この余分な不確実性の原因は、計算が限られているため、近似後部を使用すると完全に無視される。
本研究では,観測された有限個のデータと有限個の計算量の両方から生じる組合せ不確実性を一貫した推定を行う手法の開発を行う。
論文 参考訳(メタデータ) (2022-05-30T22:16:25Z) - RMFGP: Rotated Multi-fidelity Gaussian process with Dimension Reduction
for High-dimensional Uncertainty Quantification [12.826754199680474]
マルチフィデリティモデリングは、少量の正確なデータしか入手できない場合でも、正確な推測を可能にする。
高忠実度モデルと1つ以上の低忠実度モデルを組み合わせることで、多忠実度法は興味のある量の正確な予測を行うことができる。
本稿では,回転多要素ガウス過程の回帰に基づく新しい次元削減フレームワークとベイズ能動学習手法を提案する。
論文 参考訳(メタデータ) (2022-04-11T01:20:35Z) - Splitting numerical integration for matrix completion [0.0]
低階行列近似のための新しいアルゴリズムを提案する。
このアルゴリズムは最適化の枠組みにおける古典的な勾配勾配の適応である。
実験結果から,本手法は大規模問題に対して優れたスケーラビリティを有することが示された。
論文 参考訳(メタデータ) (2022-02-14T04:45:20Z) - Test Set Sizing Via Random Matrix Theory [91.3755431537592]
本稿ではランダム行列理論の手法を用いて、単純な線形回帰に対して理想的なトレーニング-テストデータ分割を求める。
それは「理想」を整合性計量を満たすものとして定義し、すなわち経験的モデル誤差は実際の測定ノイズである。
本論文は,任意のモデルのトレーニングとテストサイズを,真に最適な方法で解決した最初の論文である。
論文 参考訳(メタデータ) (2021-12-11T13:18:33Z) - Efficient Consensus Model based on Proximal Gradient Method applied to
Convolutional Sparse Problems [2.335152769484957]
我々は、勾配近似(PG)アプローチに基づく効率的なコンセンサスアルゴリズムの理論解析を導出し、詳述する。
提案アルゴリズムは、異常検出タスクに対する別の特別な畳み込み問題にも適用できる。
論文 参考訳(メタデータ) (2020-11-19T20:52:48Z) - Neural Control Variates [71.42768823631918]
ニューラルネットワークの集合が、積分のよい近似を見つけるという課題に直面していることを示す。
理論的に最適な分散最小化損失関数を導出し、実際に安定したオンライントレーニングを行うための代替の複合損失を提案する。
具体的には、学習した光場近似が高次バウンスに十分な品質であることを示し、誤差補正を省略し、無視可能な可視バイアスのコストでノイズを劇的に低減できることを示した。
論文 参考訳(メタデータ) (2020-06-02T11:17:55Z) - Revisiting SGD with Increasingly Weighted Averaging: Optimization and
Generalization Perspectives [50.12802772165797]
平均化手法は、全ての反復解を一つの解に結合する。
実験は、他の平均化方式と比較して、トレードオフと平均化の有効性を示した。
論文 参考訳(メタデータ) (2020-03-09T18:14:00Z) - Theoretical Convergence of Multi-Step Model-Agnostic Meta-Learning [63.64636047748605]
一般的なマルチステップMAMLアルゴリズムに対して収束保証を提供するための新しい理論フレームワークを開発する。
特に,本研究の結果は,収束を保証するためには,内部段階のステップを逆比例して$N$の内段ステップを選択する必要があることを示唆している。
論文 参考訳(メタデータ) (2020-02-18T19:17:54Z)
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。