論文の概要: A survey of Monte Carlo methods for noisy and costly densities with application to reinforcement learning and ABC

• arxiv url: http://arxiv.org/abs/2108.00490v3
• Date: Thu, 02 Jan 2025 08:43:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-03 17:39:05.467373
• Title: A survey of Monte Carlo methods for noisy and costly densities with application to reinforcement learning and ABC
• Title（参考訳）: モンテカルロ法による騒音・コスト密度測定法の探索と強化学習とABCへの応用
• Authors: F. Llorente, L. Martino, J. Read, D. Delgado,
• Abstract要約: この種の問題は、最適化や強化学習など、多くの現実世界のシナリオで見ることができる。 異なる手法を3つの主要なクラスに分類し、統一された表記法でアルゴリズムの特定のインスタンスを記述する。 可能性のない設定と強化学習に特に注意を払って、様々な応用シナリオについて論じる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This survey gives an overview of Monte Carlo methodologies using surrogate models, for dealing with densities which are intractable, costly, and/or noisy. This type of problem can be found in numerous real-world scenarios, including stochastic optimization and reinforcement learning, where each evaluation of a density function may incur some computationally-expensive or even physical (real-world activity) cost, likely to give different results each time. The surrogate model does not incur this cost, but there are important trade-offs and considerations involved in the choice and design of such methodologies. We classify the different methodologies into three main classes and describe specific instances of algorithms under a unified notation. A modular scheme which encompasses the considered methods is also presented. A range of application scenarios is discussed, with special attention to the likelihood-free setting and reinforcement learning. Several numerical comparisons are also provided.
• Abstract（参考訳）: 本稿では,モンテカルロ法の概要について概説する。 このような問題は、確率的最適化や強化学習など、多くの実世界のシナリオで見出され、密度関数のそれぞれの評価は、計算的または物理的(実世界の活動)なコストを発生させ、毎回異なる結果を与える可能性がある。 代理モデルがこのコストを発生させるわけではないが、そのような方法論の選択と設計には重要なトレードオフと考慮が必要である。 異なる手法を3つの主要なクラスに分類し、統一された表記法でアルゴリズムの特定のインスタンスを記述する。 検討された手法を含むモジュラースキームも紹介する。 可能性のない設定と強化学習に特に注意を払って、様々な応用シナリオについて論じる。 いくつかの数値比較も提供されている。

関連論文リスト

• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• Scalable Structure Learning for Sparse Context-Specific Systems [0.0]
  数百の変数にスケールする文脈特化モデルを学習するためのアルゴリズムを提案する。 本手法は, 合成データと実世界の実例でよく動作することを示す。
  論文  参考訳（メタデータ） (2024-02-12T16:28:52Z)
• Better Understanding Differences in Attribution Methods via Systematic Evaluations [57.35035463793008]
  モデル決定に最も影響を及ぼす画像領域を特定するために、ポストホック属性法が提案されている。 本稿では,これらの手法の忠実度をより確実に評価するための3つの新しい評価手法を提案する。 これらの評価手法を用いて、広範囲のモデルにおいて広く用いられている属性手法の長所と短所について検討する。
  論文  参考訳（メタデータ） (2023-03-21T14:24:58Z)
• Impossibility Theorems for Feature Attribution [21.88229793890961]
  そこで本研究では,適度にリッチなモデルクラスでは,任意の特徴属性法がモデル振る舞いを推測するランダムな推測において,確実に改善できないことを示す。 本研究は, 局所モデル行動の特徴付け, 突発的特徴の同定, アルゴリズム的リコースなど, 一般的なエンドタスクに適用する。
  論文  参考訳（メタデータ） (2022-12-22T17:03:57Z)
• An Additive Instance-Wise Approach to Multi-class Model Interpretation [53.87578024052922]
  解釈可能な機械学習は、ブラックボックスシステムの特定の予測を駆動する要因に関する洞察を提供する。 既存の手法は主に、局所的な加法的あるいはインスタンス的なアプローチに従う説明的入力特徴の選択に重点を置いている。 本研究は,両手法の長所を生かし,複数の対象クラスに対する局所的な説明を同時に学習するためのグローバルフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-07T06:50:27Z)
• Towards Better Understanding Attribution Methods [77.1487219861185]
  モデル決定に最も影響を及ぼす画像領域を特定するために、ポストホック属性法が提案されている。 本稿では,これらの手法の忠実度をより確実に評価するための3つの新しい評価手法を提案する。 また,いくつかの属性法の性能を著しく向上する処理後平滑化ステップを提案する。
  論文  参考訳（メタデータ） (2022-05-20T20:50:17Z)
• Network Estimation by Mixing: Adaptivity and More [2.3478438171452014]
  我々は、利用可能な任意のモデルを利用して、個々のパフォーマンスを改善する混合戦略を提案する。 提案手法は計算効率が高く,チューニングがほとんどない。 提案手法は,真のモデルが個々の候補に含まれる場合のオラクル推定と同等に動作することを示す。
  論文  参考訳（メタデータ） (2021-06-05T05:17:04Z)
• A generalized framework for active learning reliability: survey and benchmark [0.0]
  本研究では,効果的な能動学習戦略を構築するためのモジュラーフレームワークを提案する。 信頼性ベンチマーク問題20の解決策として39の戦略を考案した。
  論文  参考訳（メタデータ） (2021-06-03T09:33:59Z)
• Misclassification cost-sensitive ensemble learning: A unifying framework [7.90398448280017]
  私たちのコントリビューションは、コストに敏感なアンサンブルメソッドに関する包括的で洞察に富んだ概要を提供する統一フレームワークです。 私たちのフレームワークには、AdaBoost、Bagging、Random Forestなど、メソッド間の自然な拡張とアイデアの一般化が含まれています。
  論文  参考訳（メタデータ） (2020-07-14T21:18:33Z)
• Evaluating the Disentanglement of Deep Generative Models through Manifold Topology [66.06153115971732]
  本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。 複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
  論文  参考訳（メタデータ） (2020-06-05T20:54:11Z)
• There and Back Again: Revisiting Backpropagation Saliency Methods [87.40330595283969]
  正当性法は,各入力サンプルの重要度マップを作成することによって,モデルの予測を説明する。 このような手法の一般的なクラスは、信号のバックプロパゲートと結果の勾配の分析に基づいている。 本稿では,そのような手法を統一可能な単一のフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-06T17:58:08Z)

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。