論文の概要: Optimality in Noisy Importance Sampling

• arxiv url: http://arxiv.org/abs/2201.02432v1
• Date: Fri, 7 Jan 2022 12:32:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-10 14:51:37.868930
• Title: Optimality in Noisy Importance Sampling
• Title（参考訳）: ノイズインテンシティサンプリングの最適性
• Authors: Fernando Llorente, Luca Martino, Jesse Read, David Delgado-G\'omez
• Abstract要約: 雑音の多いIS推定器の最適提案密度を導出する。 雑音の多いISフレームワークにおいて,提案手法と過去の最適性アプローチとの比較を行った。
• 参考スコア（独自算出の注目度）: 66.94202101538939
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we analyze the noisy importance sampling (IS), i.e., IS working with noisy evaluations of the target density. We present the general framework and derive optimal proposal densities for noisy IS estimators. The optimal proposals incorporate the information of the variance of the noisy realizations, proposing points in regions where the noise power is higher. We also compare the use of the optimal proposals with previous optimality approaches considered in a noisy IS framework.
• Abstract（参考訳）: 本研究では, ターゲット密度のノイズ評価を行うため, 雑音重大サンプリング (is) について検討する。 雑音の多いIS推定器の一般的な枠組みと最適提案密度を導出する。 最適提案では,ノイズパワーが高い領域にポイントを提示し,雑音実現のばらつきに関する情報を取り入れている。 また,isフレームワークで検討した従来の最適性アプローチと最適提案の利用を比較検討した。

関連論文リスト

• ROPO: Robust Preference Optimization for Large Language Models [59.10763211091664]
  外部モデルの助けを借りずにノイズ耐性とノイズサンプルのフィルタリングを統合する反復アライメント手法を提案する。 Mistral-7BとLlama-2-7Bで広く使われている3つのデータセットの実験では、ROPOが既存の嗜好アライメント法を大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2024-04-05T13:58:51Z)
• Rate-Optimal Policy Optimization for Linear Markov Decision Processes [65.5958446762678]
  最安値の$widetilde O (sqrt K)$ regret, $K$はエピソード数を表す。 我々の研究は、バンディットフィードバックのある設定において最適な収束率(w.r.t.$K$)を確立する最初のものである。 現在、最適なレート保証を持つアルゴリズムは知られていない。
  論文  参考訳（メタデータ） (2023-08-28T15:16:09Z)
• Optimal distributed multiparameter estimation in noisy environments [0.3093890460224435]
  ノイズ非感受性戦略の発見と改善方法について検討する。 GHZ状態の逐次探索は, 最大4。
  論文  参考訳（メタデータ） (2023-06-01T18:32:53Z)
• Efficient Learning for Selecting Top-m Context-Dependent Designs [0.7646713951724012]
  文脈に依存した意思決定のためのシミュレーション最適化問題を考察する。 本研究では,各デザインの性能を各コンテキスト下で効率的に学習するためのシーケンシャルサンプリングポリシーを開発する。 数値実験により,提案手法はトップmの文脈依存設計の選択効率を向上することを示した。
  論文  参考訳（メタデータ） (2023-05-06T16:11:49Z)
• Optimizing the Noise in Self-Supervised Learning: from Importance Sampling to Noise-Contrastive Estimation [80.07065346699005]
  GAN(Generative Adversarial Networks)のように、最適な雑音分布はデータ分布に等しくなると広く想定されている。 我々は、この自己教師型タスクをエネルギーベースモデルの推定問題として基礎づけるノイズ・コントラスト推定に目を向ける。 本研究は, 最適雑音のサンプリングは困難であり, 効率性の向上は, データに匹敵する雑音分布を選択することに比べ, 緩やかに行うことができると結論付けた。
  論文  参考訳（メタデータ） (2023-01-23T19:57:58Z)
• Neighbor Regularized Bayesian Optimization for Hyperparameter Optimization [12.544312247050236]
  そこで本研究では,近隣正規化ベイズ最適化(NRBO)と呼ばれる新しいBOアルゴリズムを提案する。 まず,各試料の観察を円滑に円滑に行うため,余分なトレーニングコストを伴わずに効率よく観測ノイズを低減できる近傍型正規化を提案する。 我々は、ベイズマークベンチマークとImageNetやCOCOのような重要なコンピュータビジョンベンチマークで実験を行う。
  論文  参考訳（メタデータ） (2022-10-07T12:08:01Z)
• Gaussian Blue Noise [49.45731879857138]
  ブルーノイズスペクトルを用いた点分布生成の枠組みが,前例のない品質を実現することを示す。 我々のアルゴリズムは、同じ品質を維持しながら、スムーズかつ実現可能な高次元化を実現している。
  論文  参考訳（メタデータ） (2022-06-15T20:22:16Z)
• The Optimal Noise in Noise-Contrastive Learning Is Not What You Think [80.07065346699005]
  この仮定から逸脱すると、実際により良い統計的推定結果が得られることが示される。 特に、最適な雑音分布は、データと異なり、また、別の家族からさえも異なる。
  論文  参考訳（メタデータ） (2022-03-02T13:59:20Z)

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。