論文の概要: Goal-oriented adaptive sampling under random field modelling of response probability distributions

• arxiv url: http://arxiv.org/abs/2102.07612v1
• Date: Mon, 15 Feb 2021 15:55:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-16 15:16:22.116339
• Title: Goal-oriented adaptive sampling under random field modelling of response probability distributions
• Title（参考訳）: 応答確率分布のランダム場モデリングによる目標指向適応サンプリング
• Authors: Ath\'ena\"is Gautier, David Ginsbourger, Guillaume Pirot
• Abstract要約: 応答分布の空間的変動がそれらの平均および/または分散だけでなく、例えば、形状や一様性、多様性などを含む他の特徴も考慮する。 我々の貢献は、それによって引き起こされる確率分布の場をモデル化する非パラメトリックベイズアプローチに基づいている。
• 参考スコア（独自算出の注目度）: 0.6445605125467573
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the study of natural and artificial complex systems, responses that are not completely determined by the considered decision variables are commonly modelled probabilistically, resulting in response distributions varying across decision space. We consider cases where the spatial variation of these response distributions does not only concern their mean and/or variance but also other features including for instance shape or uni-modality versus multi-modality. Our contributions build upon a non-parametric Bayesian approach to modelling the thereby induced fields of probability distributions, and in particular to a spatial extension of the logistic Gaussian model. The considered models deliver probabilistic predictions of response distributions at candidate points, allowing for instance to perform (approximate) posterior simulations of probability density functions, to jointly predict multiple moments and other functionals of target distributions, as well as to quantify the impact of collecting new samples on the state of knowledge of the distribution field of interest. In particular, we introduce adaptive sampling strategies leveraging the potential of the considered random distribution field models to guide system evaluations in a goal-oriented way, with a view towards parsimoniously addressing calibration and related problems from non-linear (stochastic) inversion and global optimisation.
• Abstract（参考訳）: 自然および人工複雑系の研究において、考慮された決定変数によって完全に決定されない応答は確率論的にモデル化され、結果として決定空間間で応答分布が変化する。 これらの応答分布の空間的変動が、それらの平均および/または分散だけでなく、例えば、形状や一様性、多様性といった他の特徴も考慮する。 私たちの貢献は、誘起される確率分布の分野、特にロジスティックガウスモデルの空間拡張をモデル化する非パラメトリックベイズ的アプローチに基づいています。 検討されたモデルは、候補点における応答分布の確率的予測を提供し、例えば確率密度関数の(近似)後方シミュレーションを実行し、ターゲット分布の複数のモーメントやその他の関数を共同で予測し、関心のある分布分野の知識の状態に対する新しいサンプルの収集の影響を定量化する。 特に,非線形(確率的)逆転や大域的最適化からキャリブレーションや関連する問題にパーシミュニケートに対処する上で,ランダム分布モデルのポテンシャルを活用して,システム評価を目標指向的に導く適応型サンプリング戦略を導入する。

関連論文リスト

• Learning Invariant Representations under General Interventions on the Response [19.786769414376323]
  分散シフトによって異なる分布を持つデータに対して、学習した予測器を適用する必要がある。 原則的なアプローチの1つは、トレーニングモデルとテストモデルを記述するために構造因果モデルを採用することである。 自然の疑問は、目に見えない環境で予測を促進するために他の形の不変性を特定することができるかどうかである。
  論文  参考訳（メタデータ） (2022-08-22T03:09:17Z)
• Beyond IID: data-driven decision-making in heterogeneous environments [2.9603743540540357]
  本稿では,未知の分布と異なる分布から歴史的サンプルを生成する新しい枠組みを提案する。 私たちは、中心的なデータ駆動ポリシーによって達成可能な最悪の後悔を定量化します。
  論文  参考訳（メタデータ） (2022-06-20T08:43:43Z)
• Continuous and Distribution-free Probabilistic Wind Power Forecasting: A Conditional Normalizing Flow Approach [1.684864188596015]
  条件正規化フロー(CNF)に基づく確率的風力予測のためのデータ駆動型手法を提案する。 既存の手法とは対照的に、このアプローチは(非パラメトリックおよび量子的アプローチのように)分布自由であり、連続確率密度を直接生成することができる。
  論文  参考訳（メタデータ） (2022-06-06T08:48:58Z)
• An Invariant Matching Property for Distribution Generalization under Intervened Response [19.786769414376323]
  特定の特徴の推定値を追加の予測子として組み込むことにより、新しい不変性を示す。 本稿では,線形マッチングの明示的な特徴と,様々な介入条件下でのシミュレーション結果について述べる。
  論文  参考訳（メタデータ） (2022-05-18T18:25:21Z)
• Wrapped Distributions on homogeneous Riemannian manifolds [58.720142291102135]
  パラメータ、対称性、モダリティなどの分布の性質の制御は、フレキシブルな分布の族を生み出す。 変動型オートエンコーダと潜在空間ネットワークモデル内で提案した分布を利用して,我々のアプローチを実証的に検証する。
  論文  参考訳（メタデータ） (2022-04-20T21:25:21Z)
• Distributional Gradient Boosting Machines [77.34726150561087]
  私たちのフレームワークはXGBoostとLightGBMをベースにしています。 我々は,このフレームワークが最先端の予測精度を実現することを示す。
  論文  参考訳（メタデータ） (2022-04-02T06:32:19Z)
• Personalized Trajectory Prediction via Distribution Discrimination [78.69458579657189]
  トラリミー予測は将来の力学のマルチモーダルな性質を捉えるジレンマと対立する。 本研究では,パーソナライズされた動作パターンを予測するDisDisDis(Disdis)手法を提案する。 本手法は,プラグイン・アンド・プレイモジュールとして既存のマルチモーダル予測モデルと統合することができる。
  論文  参考訳（メタデータ） (2021-07-29T17:42:12Z)
• Causally Invariant Predictor with Shift-Robustness [72.1844679700197]
  本稿では,領域間の分散シフトに頑健な因果予測器を提案する。 経験的学習のために,データ再生に基づく直感的で柔軟な推定法を提案する。 合成データと実データの両方の実験結果から,予測器の有効性が示された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Estimating Generalization under Distribution Shifts via Domain-Invariant Representations [75.74928159249225]
  未知の真のターゲットラベルのプロキシとして、ドメイン不変の予測器のセットを使用します。 結果として生じるリスク見積の誤差は、プロキシモデルのターゲットリスクに依存する。
  論文  参考訳（メタデータ） (2020-07-06T17:21:24Z)
• Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
  変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。 これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。 おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
  論文  参考訳（メタデータ） (2020-02-17T19:23:36Z)

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。