論文の概要: Adaptive Importance Sampling meets Mirror Descent: a Bias-variance
tradeoff
- arxiv url: http://arxiv.org/abs/2110.15590v1
- Date: Fri, 29 Oct 2021 07:45:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-01 15:06:42.962777
- Title: Adaptive Importance Sampling meets Mirror Descent: a Bias-variance
tradeoff
- Title(参考訳): Adaptive Importance Smpling, Mirror Descent: バイアス分散トレードオフ
- Authors: Anna Korba and Fran\c{c}ois Portier
- Abstract要約: 適応的な重要度サンプリングの大きな欠点は、重みの大きなばらつきである。
本稿では,一定のパワーで重み付けを行うことを基本原理とする正規化戦略について検討する。
- 参考スコア(独自算出の注目度): 7.538482310185135
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Adaptive importance sampling is a widely spread Monte Carlo technique that
uses a re-weighting strategy to iteratively estimate the so-called target
distribution. A major drawback of adaptive importance sampling is the large
variance of the weights which is known to badly impact the accuracy of the
estimates. This paper investigates a regularization strategy whose basic
principle is to raise the importance weights at a certain power. This
regularization parameter, that might evolve between zero and one during the
algorithm, is shown (i) to balance between the bias and the variance and (ii)
to be connected to the mirror descent framework. Using a kernel density
estimate to build the sampling policy, the uniform convergence is established
under mild conditions. Finally, several practical ways to choose the
regularization parameter are discussed and the benefits of the proposed
approach are illustrated empirically.
- Abstract(参考訳): 適応的重要度サンプリング(adaptive importance sampling)は、モンテカルロに広く普及した手法で、再重み付け戦略を用いて、いわゆる目標分布を反復的に推定する。
適応的な重要度サンプリングの大きな欠点は、推定の精度に悪影響を与えることが知られている重みの大きなばらつきである。
本稿では,一定のパワーで重み付けの重み付けを基本原理とする正規化戦略について検討する。
この正規化パラメータは、アルゴリズム中にゼロと1の間に進化する可能性がある。
(i)偏差と偏差のバランスをとること
(ii)ミラー降下枠組と接続すること。
カーネル密度推定を用いてサンプリングポリシーを構築することにより、均一収束は穏やかな条件下で確立される。
最後に, 正規化パラメータの選択方法をいくつか検討し, 提案手法の利点を実証的に示す。
関連論文リスト
- Scalable and hyper-parameter-free non-parametric covariate shift
adaptation with conditional sampling [2.969582361376132]
共変量シフト適応に対する新しい非パラメトリックアプローチを提案する。
私たちの基本的な考え方は、ソースデータセットにある$k$-nearestの隣人によってラベル付けされていないターゲットデータをラベル付けすることにあります。
その結果,対象データの結合確率分布を推定するための収束速度が急上昇することがわかった。
論文 参考訳(メタデータ) (2023-12-15T17:28:09Z) - Aggregation Weighting of Federated Learning via Generalization Bound
Estimation [65.8630966842025]
フェデレートラーニング(FL)は通常、サンプル比率によって決定される重み付けアプローチを使用して、クライアントモデルパラメータを集約する。
上記の重み付け法を,各局所モデルの一般化境界を考慮した新しい戦略に置き換える。
論文 参考訳(メタデータ) (2023-11-10T08:50:28Z) - Variational autoencoder with weighted samples for high-dimensional
non-parametric adaptive importance sampling [0.0]
既存のフレームワークを、新しい目的関数を導入することで、重み付けされたサンプルの場合に拡張する。
モデルに柔軟性を加え、マルチモーダル分布を学習できるようにするため、学習可能な事前分布を考える。
提案手法は,既存の適応的重要度サンプリングアルゴリズムを用いて,目標分布から点を抽出し,高次元で稀な事象確率を推定する。
論文 参考訳(メタデータ) (2023-10-13T15:40:55Z) - Reparameterized Variational Rejection Sampling [12.189621777178354]
変動リジェクションサンプリング(VRS)は、パラメータ提案分布とサンプリングリジェクションを組み合わせて、リッチな非パラメトリック分布の族を定義する。
提案手法は,実運用において良好に動作し,特に局所潜伏変数を持つモデルではブラックボックス推論に適していることを示す。
論文 参考訳(メタデータ) (2023-09-26T01:46:53Z) - Learning to Re-weight Examples with Optimal Transport for Imbalanced
Classification [74.62203971625173]
不均衡データは、ディープラーニングに基づく分類モデルに課題をもたらす。
不均衡なデータを扱うための最も広く使われているアプローチの1つは、再重み付けである。
本稿では,分布の観点からの最適輸送(OT)に基づく新しい再重み付け手法を提案する。
論文 参考訳(メタデータ) (2022-08-05T01:23:54Z) - A Quadrature Rule combining Control Variates and Adaptive Importance
Sampling [0.0]
モンテカルロ積分推定の精度を向上させるために, 単純重み付き最小二乗法が有効であることを示す。
我々の主な成果は、プロシージャの確率的誤差の非漸近的境界である。
この手法のよい振る舞いは、ベイズ線形回帰のための合成例と実世界のデータに実証的に説明される。
論文 参考訳(メタデータ) (2022-05-24T08:21:45Z) - Random Forest Weighted Local Fr\'echet Regression with Random Objects [52.25304029942005]
本稿では,新しいランダム森林重み付き局所Fr'echet回帰パラダイムを提案する。
最初の方法は,これらの重みを局所平均として利用し,条件付きFr'echet平均を解く。
第二の手法は局所線形Fr'echet回帰を行い、どちらも既存のFr'echet回帰法を大幅に改善した。
論文 参考訳(メタデータ) (2022-02-10T09:10:59Z) - Variational Refinement for Importance Sampling Using the Forward
Kullback-Leibler Divergence [77.06203118175335]
変分推論(VI)はベイズ推論における正確なサンプリングの代替として人気がある。
重要度サンプリング(IS)は、ベイズ近似推論手順の推定を微調整し、偏りを逸脱するためにしばしば用いられる。
近似ベイズ推論のための最適化手法とサンプリング手法の新たな組み合わせを提案する。
論文 参考訳(メタデータ) (2021-06-30T11:00:24Z) - Sampling-free Variational Inference for Neural Networks with
Multiplicative Activation Noise [51.080620762639434]
サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。
提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
論文 参考訳(メタデータ) (2021-03-15T16:16:18Z) - A One-step Approach to Covariate Shift Adaptation [82.01909503235385]
多くの機械学習シナリオにおけるデフォルトの前提は、トレーニングとテストサンプルは同じ確率分布から引き出されることである。
予測モデルと関連する重みを1つの最適化で共同で学習する新しいワンステップアプローチを提案する。
論文 参考訳(メタデータ) (2020-07-08T11:35:47Z)
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。