論文の概要: Data-Driven Reachability analysis and Support set Estimation with
Christoffel Functions
- arxiv url: http://arxiv.org/abs/2112.09995v1
- Date: Sat, 18 Dec 2021 20:25:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-21 18:55:50.376087
- Title: Data-Driven Reachability analysis and Support set Estimation with
Christoffel Functions
- Title(参考訳): データ駆動の到達可能性分析とChristoffel関数を用いたサポートセット推定
- Authors: Alex Devonport, Forest Yang, Laurent El Ghaoui, and Murat Arcak
- Abstract要約: 動的システムの前方到達可能な集合を推定するためのアルゴリズムを提案する。
生成された推定は、経験的逆クリストッフェル函数と呼ばれる関数の部分レベル集合である。
到達可能性解析に加えて、確率変数の支持を推定する一般的な問題にも同様のアプローチを適用することができる。
- 参考スコア(独自算出の注目度): 8.183446952097528
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present algorithms for estimating the forward reachable set of a dynamical
system using only a finite collection of independent and identically
distributed samples. The produced estimate is the sublevel set of a function
called an empirical inverse Christoffel function: empirical inverse Christoffel
functions are known to provide good approximations to the support of
probability distributions. In addition to reachability analysis, the same
approach can be applied to general problems of estimating the support of a
random variable, which has applications in data science towards detection of
novelties and outliers in data sets. In applications where safety is a concern,
having a guarantee of accuracy that holds on finite data sets is critical. In
this paper, we prove such bounds for our algorithms under the Probably
Approximately Correct (PAC) framework. In addition to applying classical
Vapnik-Chervonenkis (VC) dimension bound arguments, we apply the PAC-Bayes
theorem by leveraging a formal connection between kernelized empirical inverse
Christoffel functions and Gaussian process regression models. The bound based
on PAC-Bayes applies to a more general class of Christoffel functions than the
VC dimension argument, and achieves greater sample efficiency in experiments.
- Abstract(参考訳): 本稿では,独立分布および同一分布サンプルの有限集合のみを用いて,力学系の前方到達可能集合を推定するアルゴリズムを提案する。
生成された推定は経験的逆クリストッフェル関数と呼ばれる関数の準レベル集合であり、経験的逆クリストッフェル関数は確率分布の支持に良い近似を与えることが知られている。
到達可能性解析に加えて、データサイエンスにおいて、データセットの新規性と外れ値の検出に応用するランダム変数のサポートを推定する一般的な問題にも、同様のアプローチを適用することができる。
安全性が懸念されるアプリケーションでは、有限のデータセットに保持する精度の保証が不可欠である。
本稿では、確率的近似(PAC)フレームワークを用いて、アルゴリズムのそのような境界を証明した。
古典的なVapnik-Chervonenkis(VC)次元境界論法を適用することに加えて、核化された経験的逆クリストッフェル関数とガウス過程回帰モデルの間の形式的関係を利用してPAC-Bayes定理を適用する。
PAC-ベイズに基づく境界は、VC次元の議論よりもより一般的なクリストッフェル関数のクラスに適用され、実験においてより多くのサンプル効率を達成する。
関連論文リスト
- Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient
Kernels [60.35011738807833]
ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。
カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。
我々は、ベンチマークODEとPDE発見タスクのリストにおいて、KBASSの顕著な利点を示す。
論文 参考訳(メタデータ) (2023-10-09T03:55:09Z) - Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。
既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。
提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
論文 参考訳(メタデータ) (2023-07-08T15:41:48Z) - Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。
本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
論文 参考訳(メタデータ) (2022-08-29T16:16:22Z) - Counterfactual Explanations for Arbitrary Regression Models [8.633492031855655]
ベイズ最適化に基づく対実的説明法(CFE)を提案する。
提案手法は,任意の回帰モデルと特徴空間や動作可能なリコースなどの制約をサポートする,グローバル収束探索アルゴリズムである。
論文 参考訳(メタデータ) (2021-06-29T09:53:53Z) - From Majorization to Interpolation: Distributionally Robust Learning
using Kernel Smoothing [1.2891210250935146]
確率指標に基づく分布的ロバスト最適化(DRO)の関数近似の側面を検討する。
本稿では,滑らかな関数近似と畳み込みに基づく堅牢な学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-02-16T22:25:18Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - Controlling for sparsity in sparse factor analysis models: adaptive
latent feature sharing for piecewise linear dimensionality reduction [2.896192909215469]
本稿では,現在潜伏している特徴分解技術の鍵となる限界に対処できる,シンプルでトラクタブルな特徴割り当てモデルを提案する。
適応型因子分析(aFA)と適応型確率的原理成分分析(aPPCA)を応用し,柔軟な構造発見と次元減少を実現する。
APPCAとaFAは、生のMNISTに適用した場合と、オートエンコーダの特徴を解釈する場合の両方において、高いレベルの特徴を推測できることを示す。
論文 参考訳(メタデータ) (2020-06-22T16:09:11Z) - Learning Inconsistent Preferences with Gaussian Processes [14.64963271587818]
我々は,Chuらによる優先的なガウス過程を再考し,潜在ユーティリティ関数の値を通じてデータ項目のランク付けを強制するモデル化の仮定に挑戦する。
本稿では、より表現力のある遅延優先構造をデータ中に捉えることのできるpgpの一般化を提案する。
実験結果から, ランキングビリティの侵害は, 現実の優先データにおいてユビキタスである可能性が示唆された。
論文 参考訳(メタデータ) (2020-06-06T11:57:45Z) - SLEIPNIR: Deterministic and Provably Accurate Feature Expansion for
Gaussian Process Regression with Derivatives [86.01677297601624]
本稿では,2次フーリエ特徴に基づく導関数によるGP回帰のスケーリング手法を提案する。
我々は、近似されたカーネルと近似された後部の両方に適用される決定論的、非漸近的、指数関数的に高速な崩壊誤差境界を証明した。
論文 参考訳(メタデータ) (2020-03-05T14:33:20Z) - Misspecification-robust likelihood-free inference in high dimensions [9.514562526751481]
本稿では,ベイズ最適化に基づく近似離散関数の確率的手法による拡張を提案する。
提案手法は,高次元パラメータ空間に対する計算スケーラビリティを,各パラメータの別個の取得関数と相違点を用いて達成する。
本手法は,100次元空間における標準例による計算効率のよい推論を成功させ,既存のモジュール化ABC法と比較した。
論文 参考訳(メタデータ) (2020-02-21T16:06:11Z) - Improved guarantees and a multiple-descent curve for Column Subset
Selection and the Nystr\"om method [76.73096213472897]
我々は,データ行列のスペクトル特性を利用して近似保証を改良する手法を開発した。
我々のアプローチは、特異値減衰の既知の速度を持つデータセットのバウンダリが大幅に向上する。
RBFパラメータを変更すれば,改良された境界線と多重発振曲線の両方を実データセット上で観測できることが示される。
論文 参考訳(メタデータ) (2020-02-21T00:43:06Z)
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。