論文の概要: Nonmyopic Multiclass Active Search for Diverse Discovery
- arxiv url: http://arxiv.org/abs/2202.03593v1
- Date: Tue, 8 Feb 2022 01:39:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-10 03:55:19.791207
- Title: Nonmyopic Multiclass Active Search for Diverse Discovery
- Title（参考訳）: 非明視的多クラス能動探索による多変量探索
- Authors: Quan Nguyen, Roman Garnett
- Abstract要約: アクティブサーチは適応的な実験設計の舞台であり、予算制約を受ける希少で価値のあるクラスのメンバーを明らかにすることを目的としている。
本稿では,複数の対象クラスを対象とする能動探索の新たな定式化について述べる。
- 参考スコア（独自算出の注目度）: 23.752202199551572
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Active search is a setting in adaptive experimental design where we aim to
uncover members of rare, valuable class(es) subject to a budget constraint. An
important consideration in this problem is diversity among the discovered
targets -- in many applications, diverse discoveries offer more insight and may
be preferable in downstream tasks. However, most existing active search
policies either assume that all targets belong to a common positive class or
encourage diversity via simple heuristics. We present a novel formulation of
active search with multiple target classes, characterized by a utility function
that naturally induces a preference for label diversity among discoveries via a
diminishing returns mechanism. We then study this problem under the Bayesian
lens and prove a hardness result for approximating the optimal policy. Finally,
we propose an efficient, nonmyopic approximation to the optimal policy and
demonstrate its superior empirical performance across a wide variety of
experimental settings, including drug discovery.
- Abstract（参考訳）: アクティブサーチは適応的な実験設計の舞台であり、予算制約を受ける希少で価値のあるクラスのメンバーを明らかにすることを目的としている。
この問題における重要な考慮事項は、発見対象間の多様性である。多くのアプリケーションでは、多様な発見がより洞察を与え、下流のタスクで好まれる可能性がある。
しかし、既存のアクティブサーチポリシーのほとんどは、全てのターゲットが共通のポジティブクラスに属していると仮定するか、単純なヒューリスティックスを通じて多様性を奨励している。
本稿では,発見者間のラベルの多様性を自然に誘引するユーティリティ関数を特徴とする,複数の対象クラスを持つアクティブサーチの新規な定式化について述べる。
次に,この問題をベイズレンズで研究し,最適方針を近似する硬さを証明した。
最後に,最適方針に対する効率的で非明明な近似を提案し,その優れた経験的性能を創薬を含む幅広い実験場面で実証する。
関連論文リスト
- Objectives Are All You Need: Solving Deceptive Problems Without Explicit
Diversity Maintenance [7.3153233408665495]
我々は,明らかに多様性の維持を行なわずに,偽りのドメインを解決することを約束するアプローチを提案する。
人口多様性を暗黙的に維持することが示されているため,これらの目的を最適化するためにレキシケースの選択を用いる。
目的を多くの目的に分解し、それらを最適化することで、探究する偽りの領域においてMAP-Elitesより優れていることが分かりました。
論文 参考訳（メタデータ） (2023-11-04T00:09:48Z) - Multi-Target Multiplicity: Flexibility and Fairness in Target
Specification under Resource Constraints [76.84999501420938]
対象の選択が個人の結果にどのように影響するかを評価するための概念的および計算的枠組みを導入する。
目的変数選択から生じる多重度は, 1つのターゲットのほぼ最適モデルから生じるものよりも大きいことが示される。
論文 参考訳（メタデータ） (2023-06-23T18:57:14Z) - L-SA: Learning Under-Explored Targets in Multi-Target Reinforcement
Learning [16.886934253882785]
適応サンプリングとアクティブクエリを含むL-SA(Adaptive Smpling and Active querying)フレームワークを提案する。
L-SAフレームワークでは、動的サンプリングが成功率が最も高いターゲットを動的にサンプリングする。
適応サンプリングとアクティブクエリの循環的関係は,探索対象の標本の豊かさを効果的に向上させることを実験的に実証した。
論文 参考訳（メタデータ） (2023-05-23T06:51:51Z) - A Unified Algorithm Framework for Unsupervised Discovery of Skills based
on Determinantal Point Process [53.86223883060367]
教師なしオプション発見における多様性とカバレッジは、実際には同じ数学的枠組みの下で統一可能であることを示す。
提案アルゴリズムであるODPPは,MujocoとAtariで作成した課題に対して,広範囲に評価されている。
論文 参考訳（メタデータ） (2022-12-01T01:40:03Z) - Adaptive Identification of Populations with Treatment Benefit in
Clinical Trials: Machine Learning Challenges and Solutions [78.31410227443102]
確定的臨床試験において,特定の治療の恩恵を受ける患者サブポピュレーションを適応的に同定する問題について検討した。
サブポピュレーション構築のためのメタアルゴリズムであるAdaGGIとAdaGCPIを提案する。
論文 参考訳（メタデータ） (2022-08-11T14:27:49Z) - Biological Sequence Design with GFlowNets [75.1642973538266]
望ましい性質を持つデノボ生物配列の設計には、数ラウンドの分子のアイデアと高価なウェットラブ評価を伴う活性ループが伴うことが多い。
これにより、提案された候補の多様性は、構想段階において重要な考慮事項となる。
本稿では,不確実性推定と近年提案されているGFlowNetを多種多様な候補解の生成元として活用した能動的学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-03-02T15:53:38Z) - Meta Navigator: Search for a Good Adaptation Policy for Few-shot
Learning [113.05118113697111]
少ないショット学習は、ラベル付きデータしか持たない新しいタスクに、以前のタスクから学んだ知識を適応させることを目的としている。
少数ショット学習に関する研究文献は、大きな多様性を示し、異なるアルゴリズムは、しばしば異なる少数ショット学習シナリオで優れている。
本稿では,メタナビゲータ(Meta Navigator)について紹介する。
論文 参考訳（メタデータ） (2021-09-13T07:20:01Z) - Nonmyopic Multifidelity Active Search [15.689830609697685]
本稿では,多要素能動探索のモデルと,この設定のための新しい,計算効率の良いポリシーを提案する。
実世界のデータセット上でのソリューションの性能を評価し,自然ベンチマークよりもはるかに優れた性能を示す。
論文 参考訳（メタデータ） (2021-06-11T12:55:51Z) - Discovering Diverse Nearly Optimal Policies withSuccessor Features [30.144946007098852]
強化学習では、多様なポリシーの集合が探索、移動、階層化、堅牢性に有用である。
本稿では,継承的特徴の空間において多種多様であるポリシーを発見する方法として,多元的継承政策を提案する。
論文 参考訳（メタデータ） (2021-06-01T17:56:13Z) - Simultaneous Relevance and Diversity: A New Recommendation Inference
Approach [81.44167398308979]
本稿では,新しいCF推論手法である負対陽性を導入することにより,一般協調フィルタリング(CF)を拡張した新しい手法を提案する。
我々のアプローチは、様々な高度なレベルでの幅広い推奨シナリオ/ユースケースに適用できる。
公開データセットと実世界の生産データに関する分析と実験により、我々のアプローチは、関連性および多様性に関する既存の手法を同時に上回ることを示した。
論文 参考訳（メタデータ） (2020-09-27T22:20:12Z)
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。