Fugu-MT 論文翻訳(概要): Heteroscedasticity-aware residuals-based contextual stochastic optimization

論文の概要: Heteroscedasticity-aware residuals-based contextual stochastic optimization

arxiv url: http://arxiv.org/abs/2101.03139v1
Date: Fri, 8 Jan 2021 18:11:21 GMT
ステータス: 処理完了
システム内更新日: 2021-04-10 05:03:54.746953
Title: Heteroscedasticity-aware residuals-based contextual stochastic optimization
Title（参考訳）: Heteroscedasticity-aware residuals-based contextual stochastic optimization
Authors: Rohit Kannan and G\"uzin Bayraksan and James Luedtke
Abstract要約: データ駆動コンテキスト最適化のための統合学習および最適化フレームワークの一般化を検討する。プログラム、データ生成プロセス、およびこれらの一般化が有する予測設定に関する条件を特定し、有限なサンプル保証を行います。
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 explore generalizations of some integrated learning and optimization frameworks for data-driven contextual stochastic optimization that can adapt to heteroscedasticity. We identify conditions on the stochastic program, data generation process, and the prediction setup under which these generalizations possess asymptotic and finite sample guarantees for a class of stochastic programs, including two-stage stochastic mixed-integer programs with continuous recourse. We verify that our assumptions hold for popular parametric and nonparametric regression methods.
Abstract（参考訳）: データ駆動型文脈確率最適化のための統合学習および最適化フレームワークの一般化について検討する。本研究では,2段階の確率混合整数プログラムを含む一連の確率プログラムに対して,この一般化が漸近的かつ有限なサンプル保証を有する確率プログラム,データ生成プロセス,および予測設定の条件を同定する。我々は、一般的なパラメトリックおよび非パラメトリック回帰法に対する仮定が有効であることを検証する。

関連論文リスト

Asymptotic regularity of a generalised stochastic Halpern scheme with applications [0.0]
我々は、クラスノセルスキー・マンセネク形式とチコノフ正則化項の2番目の写像を組み込んだ、一般ハルペルン型反復に対して、高度に均一な正則率を与える。ここで提示されるスキームが学習の文脈でどのようにインスタンス化され、新しいQ-ラーニング法がもたらされるのかをスケッチする。
論文参考訳（メタデータ） (2024-11-07T16:32:50Z)
Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
論文参考訳（メタデータ） (2024-07-01T20:44:48Z)
Bayesian Nonparametrics Meets Data-Driven Distributionally Robust Optimization [29.24821214671497]
機械学習と統計モデルのトレーニングは、しばしばデータ駆動型リスク基準の最適化を伴う。ベイズ的非パラメトリック(ディリクレ過程)理論と、スムーズなあいまいさ-逆選好の最近の決定論的モデルを組み合わせた、新しいロバストな基準を提案する。実用的な実装として、よく知られたディリクレプロセスの表現に基づいて、評価基準の抽出可能な近似を提案し、研究する。
論文参考訳（メタデータ） (2024-01-28T21:19:15Z)
Likelihood-based inference and forecasting for trawl processes: a stochastic optimization approach [0.0]
実数値トロール過程を推定するための第1の可能性に基づく手法を開発した。本稿では,新しい決定的および確率的予測手法を提案する。トロールプロセスの大規模なクラスに適合するために使用可能なPythonライブラリをリリースしています。
論文参考訳（メタデータ） (2023-08-30T15:37:48Z)
Stochastic Learning Rate Optimization in the Stochastic Approximation and Online Learning Settings [0.0]
本研究では、最適化アルゴリズムの学習率に乗法性を適用し、学習速度スキームを創出する。本研究では,この学習率スキームを備えたグラディエントDescentの理論的収束結果を示す。
論文参考訳（メタデータ） (2021-10-20T18:10:03Z)
A Stochastic Newton Algorithm for Distributed Convex Optimization [62.20732134991661]
均質な分散凸最適化のためのNewtonアルゴリズムを解析し、各マシンが同じ人口目標の勾配を計算する。提案手法は,既存の手法と比較して,性能を損なうことなく,必要な通信ラウンドの数,頻度を低減できることを示す。
論文参考訳（メタデータ） (2021-10-07T17:51:10Z)
High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
論文参考訳（メタデータ） (2021-06-10T17:54:21Z)
Robust, Accurate Stochastic Optimization for Variational Inference [68.83746081733464]
また, 共通最適化手法は, 問題が適度に大きい場合, 変分近似の精度が低下することを示した。これらの結果から,基礎となるアルゴリズムをマルコフ連鎖の生成とみなして,より堅牢で正確な最適化フレームワークを開発する。
論文参考訳（メタデータ） (2020-09-01T19:12:11Z)
Variance Regularization for Accelerating Stochastic Optimization [14.545770519120898]
ミニバッチ勾配に隠れた統計情報を利用してランダムな誤りの蓄積を低減する普遍原理を提案する。これは、ミニバッチのばらつきに応じて学習率を正規化することで達成される。
論文参考訳（メタデータ） (2020-08-13T15:34:01Z)
Stochastic Saddle-Point Optimization for Wasserstein Barycenters [69.68068088508505]
オンラインデータストリームによって生成される有限個の点からなるランダムな確率測度に対する人口推定バリセンタ問題を考察する。本稿では,この問題の構造を用いて,凸凹型サドル点再構成を行う。ランダム確率測度の分布が離散的な場合、最適化アルゴリズムを提案し、その複雑性を推定する。
論文参考訳（メタデータ） (2020-06-11T19:40:38Z)
Distributed Sketching Methods for Privacy Preserving Regression [54.51566432934556]
ランダム化されたスケッチを利用して、問題の次元を減らし、プライバシを保ち、非同期分散システムにおけるストラグラーレジリエンスを改善します。従来のスケッチ手法に対する新しい近似保証を導出し、分散スケッチにおけるパラメータ平均化の精度を解析する。大規模実験によるサーバレスコンピューティングプラットフォームにおける分散スケッチのパフォーマンスについて説明する。
論文参考訳（メタデータ） (2020-02-16T08:35:48Z)

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。