論文の概要: Centroid Approximation for Bootstrap
- arxiv url: http://arxiv.org/abs/2110.08720v1
- Date: Sun, 17 Oct 2021 04:31:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-19 14:11:19.468641
- Title: Centroid Approximation for Bootstrap
- Title(参考訳): ブートストラップの遠心近似
- Authors: Mao Ye, Qiang Liu
- Abstract要約: ブートストラップは 原理的かつ強力な 頻繁な統計ツールだ 不確実性定量化のための
標準的なブートストラップ法は、理想的なブートストラップ分布を近似するために大規模なブートストラップサンプルを描く必要があるため、計算集約的である。
本研究では, 最適なブートストラップ分布をより正確に近似するために, 高品質な「セントロイド」点集合を明示的に推定する効率的な手法を提案する。
- 参考スコア(独自算出の注目度): 17.617944390196286
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bootstrap is a principled and powerful frequentist statistical tool for
uncertainty quantification. Unfortunately, standard bootstrap methods are
computationally intensive due to the need of drawing a large i.i.d. bootstrap
sample to approximate the ideal bootstrap distribution; this largely hinders
their application in large-scale machine learning, especially deep learning
problems. In this work, we propose an efficient method to explicitly
\emph{optimize} a small set of high quality "centroid" points to better
approximate the ideal bootstrap distribution. We achieve this by minimizing a
simple objective function that is asymptotically equivalent to the Wasserstein
distance to the ideal bootstrap distribution. This allows us to provide an
accurate estimation of uncertainty with a small number of bootstrap centroids,
outperforming the naive i.i.d. sampling approach. Empirically, we show that our
method can boost the performance of bootstrap in a variety of applications.
- Abstract(参考訳): ブートストラップ(bootstrap)は、不確実性定量化のための原理的かつ強力な頻繁な統計ツールである。
残念なことに、標準的なブートストラップ法は、理想的なブートストラップ分布を近似するために大きなi.i.d.ブートストラップサンプルを描画する必要があるため、計算量が多い。
本研究では, 理想ブートストラップ分布をよりよく近似するために, 高品質な"中心点"の小さな集合を明示的に \emph{optimize} する効率的な手法を提案する。
我々は、イデアルブートストラップ分布に対するワッサーシュタイン距離に漸近的に同値な単純目的関数を最小化することでこれを達成する。
これにより、少数のブートストラップセントロイドで不確かさを正確に推定することができ、単純なサンプリング手法よりも優れている。
経験的に、本手法は様々なアプリケーションにおいてbootstrapの性能を高めることができることを示す。
関連論文リスト
- Bootstrap SGD: Algorithmic Stability and Robustness [32.855704793127444]
経験的ブートストラップ法を用いて勾配降下法(SGD)について検討した。
アルゴリズム的安定性に基づくタイプ1とタイプ2のブートストラップSGDの一般化解析を行う。
別のブートストラップSGDは、中央曲線の純粋に分布自由な点方向の信頼区間を構築することができることを示すために提案されている。
論文 参考訳(メタデータ) (2024-09-02T08:56:39Z) - Orthogonal Bootstrap: Efficient Simulation of Input Uncertainty [12.43391454956318]
我々は,必要なモンテカルロ複製数を削減できる textbfOrthogonal Bootstrap という新しい手法を提案する。
理論的,数値的には,Orthogonal BootstrapはBootstrapの計算コストを大幅に削減し,経験的精度を向上し,構成間隔の同じ幅を維持する。
論文 参考訳(メタデータ) (2024-04-29T23:08:03Z) - Estimating Barycenters of Distributions with Neural Optimal Transport [93.28746685008093]
本稿では,Wasserstein Barycenter問題を解くための新しいスケーラブルなアプローチを提案する。
我々の手法は最近のNeural OTソルバをベースとしている。
また,提案手法の理論的誤差境界も確立する。
論文 参考訳(メタデータ) (2024-02-06T09:17:07Z) - A Specialized Semismooth Newton Method for Kernel-Based Optimal
Transport [92.96250725599958]
カーネルベース最適輸送(OT)推定器は、サンプルからOT問題に対処するための代替的機能的推定手順を提供する。
SSN法は, 標準正規性条件下でのグローバル収束率$O (1/sqrtk)$, 局所二次収束率を達成できることを示す。
論文 参考訳(メタデータ) (2023-10-21T18:48:45Z) - Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
まず確率分布をモデル化し,そのモデルからサンプリングする。
これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
論文 参考訳(メタデータ) (2021-10-20T12:25:22Z) - Continuous Wasserstein-2 Barycenter Estimation without Minimax
Optimization [94.18714844247766]
ワッサーシュタイン・バリセンターは、最適輸送に基づく確率測度の重み付き平均の幾何学的概念を提供する。
本稿では,Wasserstein-2 バリセンタのサンプルアクセスを演算するスケーラブルなアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-02-02T21:01:13Z) - Trading off Accuracy for Speedup: Multiplier Bootstraps for Subgraph
Counts [13.664682865991256]
カウント関数のための新しい乗算ブートストラップを提案する。
高速で近似的な線形ブートストラップでは、$sqrtn$-consistent inference of the count functional is able to be able in certain computer regimes。
二次ブートストラップでは,Edgeworth拡張が確立され,適切な空間条件下での高次精度が得られた。
論文 参考訳(メタデータ) (2020-09-14T03:17:10Z) - Breaking the Sample Size Barrier in Model-Based Reinforcement Learning
with a Generative Model [50.38446482252857]
本稿では、生成モデル(シミュレータ)へのアクセスを想定して、強化学習のサンプル効率について検討する。
最初に$gamma$-discounted infinite-horizon Markov decision process (MDPs) with state space $mathcalS$ and action space $mathcalA$を考える。
対象の精度を考慮すれば,モデルに基づく計画アルゴリズムが最小限のサンプルの複雑さを実現するのに十分であることを示す。
論文 参考訳(メタデータ) (2020-05-26T17:53:18Z) - Simultaneous Inference for Massive Data: Distributed Bootstrap [22.940967562381136]
オーバーサンプリングなしでマスタマシン上でブートストラップを行い、通常はcitekleiner2014scalable,sengupta2016subsampledという既存のメソッドで必要になります。
本手法では, 繰り返しモデルの再適合を必要としないが, 作業機械から受信した勾配に対して, マスタマシンに乗算器ブートストラップのみを適用している。
論文 参考訳(メタデータ) (2020-02-19T20:53:32Z) - Distributionally Robust Bayesian Quadrature Optimization [60.383252534861136]
確率分布が未知な分布の不確実性の下でBQOについて検討する。
標準的なBQOアプローチは、固定されたサンプル集合が与えられたときの真の期待目標のモンテカルロ推定を最大化する。
この目的のために,新しい後方サンプリングに基づくアルゴリズム,すなわち分布的に堅牢なBQO(DRBQO)を提案する。
論文 参考訳(メタデータ) (2020-01-19T12:00:33Z)
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。