論文の概要: Deep Adaptive Design: Amortizing Sequential Bayesian Experimental Design
- arxiv url: http://arxiv.org/abs/2103.02438v1
- Date: Wed, 3 Mar 2021 14:43:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-04 15:13:32.640360
- Title: Deep Adaptive Design: Amortizing Sequential Bayesian Experimental Design
- Title（参考訳）: deep adaptive design: amortizing sequential bayesian experimental design
- Authors: Adam Foster, Desi R. Ivanova, Ilyas Malik, Tom Rainforth
- Abstract要約: 本稿では,逐次適応実験のコストを補正する手法であるDeep Adaptive Design (DAD)を紹介する。
DADが実験設計のプロセスに成功したことを実証し、いくつかの問題に対する代替戦略を上回ります。
- 参考スコア（独自算出の注目度）: 11.414086057582324
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce Deep Adaptive Design (DAD), a general method for amortizing the
cost of performing sequential adaptive experiments using the framework of
Bayesian optimal experimental design (BOED). Traditional sequential BOED
approaches require substantial computational time at each stage of the
experiment. This makes them unsuitable for most real-world applications, where
decisions must typically be made quickly. DAD addresses this restriction by
learning an amortized design network upfront and then using this to rapidly run
(multiple) adaptive experiments at deployment time. This network takes as input
the data from previous steps, and outputs the next design using a single
forward pass; these design decisions can be made in milliseconds during the
live experiment. To train the network, we introduce contrastive information
bounds that are suitable objectives for the sequential setting, and propose a
customized network architecture that exploits key symmetries. We demonstrate
that DAD successfully amortizes the process of experimental design,
outperforming alternative strategies on a number of problems.
- Abstract（参考訳）: ベイズ最適実験設計(BOED)の枠組みを用いて連続適応実験を行うコストを償却するための一般的な方法であるDeep Adaptive Design(DAD)を紹介します。
従来のシーケンシャルBOEDアプローチは実験の各段階でかなりの計算時間を必要とする。
これにより、ほとんどの現実世界のアプリケーションには適さないが、意思決定は通常、素早く行う必要がある。
DADはこの制限に対処するため、前もって償却設計ネットワークを学習し、デプロイ時に(複数)適応的な実験を迅速に実行する。
このネットワークは、前のステップからデータを入力して、1つのフォワードパスを使用して次の設計を出力します。これらの設計決定は、ライブ実験中にミリ秒で行うことができます。
ネットワークを訓練するために,シーケンシャルな設定に適した目的であるコントラスト情報境界を導入し,鍵対称性を利用するカスタマイズされたネットワークアーキテクチャを提案する。
DADが実験設計のプロセスに成功したことを実証し、いくつかの問題に対する代替戦略を上回ります。
関連論文リスト
- Amortized Bayesian Experimental Design for Decision-Making [22.250312394159945]
本稿では、下流決定ユーティリティの最大化を優先する、償却決定対応のBEDフレームワークを提案する。
本稿では,新しいアーキテクチャであるTransformer Neural Decision Process (TNDP)を導入する。
提案手法は複数のタスクにまたがって性能を実証し,情報的設計を実現し,正確な意思決定を容易にすることを示す。
論文 参考訳（メタデータ） (2024-11-04T13:06:46Z) - Adaptive Experimentation When You Can't Experiment [55.86593195947978]
本稿では,Emphcon founded the pure exploration transductive linear bandit (textttCPET-LB) problem。
オンラインサービスは、ユーザーを特定の治療にインセンティブを与える、適切にランダム化された励ましを利用することができる。
論文 参考訳（メタデータ） (2024-06-15T20:54:48Z) - Task-specific experimental design for treatment effect estimation [59.879567967089145]
因果推論の標準は大規模ランダム化試験(RCT)である。
近年の研究では、RCTのよりサンプル効率の良い代替案が提案されているが、これらは因果効果を求める下流の応用には適用できない。
実験的な設計のためのタスク固有のアプローチを開発し、特定の下流アプリケーションにカスタマイズされたサンプリング戦略を導出する。
論文 参考訳（メタデータ） (2023-06-08T18:10:37Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳（メタデータ） (2023-05-25T10:58:46Z) - CO-BED: Information-Theoretic Contextual Optimization via Bayesian
Experimental Design [31.247108087199095]
CO-BEDは、情報理論の原理を用いて文脈実験を設計するためのモデルに依存しないフレームワークである。
その結果、CO-BEDは、幅広い文脈最適化問題に対して、汎用的で自動化されたソリューションを提供する。
論文 参考訳（メタデータ） (2023-02-27T18:14:13Z) - Policy-Based Bayesian Experimental Design for Non-Differentiable
Implicit Models [25.00242490764664]
深層適応設計のための強化学習(Reinforcement Learning for Deep Adaptive Design, RL-DAD)は、非微分不可能な暗黙モデルに対するシミュレーションに基づく最適実験設計手法である。
RL-DADは、事前履歴をオフラインで実験するためにマッピングし、オンライン実行中に素早くデプロイできる。
論文 参考訳（メタデータ） (2022-03-08T18:47:01Z) - Simulation Paths for Quantum Circuit Simulation with Decision Diagrams [72.03286471602073]
決定図を用いて量子回路をシミュレートする際に選択される経路の重要性について検討する。
我々は、専用のシミュレーションパスを調査できるオープンソースのフレームワークを提案する。
論文 参考訳（メタデータ） (2022-03-01T19:00:11Z) - Implicit Deep Adaptive Design: Policy-Based Experimental Design without
Likelihoods [24.50829695870901]
暗黙のDeep Adaptive Design (iDAD) は暗黙のモデルでリアルタイムで適応実験を行う新しい手法である。
iDADは、設計ポリシーネットワークを事前学習することで、ベイズ最適設計(BOED)のコストを償却する。
論文 参考訳（メタデータ） (2021-11-03T16:24:05Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - Adaptive Inference through Early-Exit Networks: Design, Challenges and
Directions [80.78077900288868]
初期のネットワークの設計手法をその重要コンポーネントに分解し、各コンポーネントの最近の進歩を調査する。
我々は、他の効率的な推論ソリューションと早期に競合する立場をとり、この分野の研究における現在の課題と最も有望な今後の方向性についての洞察を提供する。
論文 参考訳（メタデータ） (2021-06-09T12:33:02Z) - Optimal Experimental Design for Staggered Rollouts [11.187415608299075]
本研究は, 治療開始時刻が単位によって異なる複数時間にわたって, 一連の単位に対して実施した実験の設計と解析について検討する。
本稿では,設計段階と治療効果を推定する段階の課題に対処するアルゴリズムとして,精度誘導適応実験(PGAE)を提案する。
論文 参考訳（メタデータ） (2019-11-09T19:46:29Z)
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。