論文の概要: Bayesian Target-Vector Optimization for Efficient Parameter
Reconstruction
- arxiv url: http://arxiv.org/abs/2202.11559v1
- Date: Wed, 23 Feb 2022 15:13:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-24 16:34:46.924282
- Title: Bayesian Target-Vector Optimization for Efficient Parameter
Reconstruction
- Title(参考訳): 効率的なパラメータ再構成のためのベイズ目標ベクトル最適化
- Authors: Matthias Plock, Anna Andrle, Sven Burger, Philipp-Immanuel Schneider
- Abstract要約: 対象ベクトル最適化方式を導入し,モデル関数のコントリビューションのすべてについて検討し,パラメータ再構成問題に特に適している。
また、実際のモデル関数の観測がほとんどない正確な不確実性推定を決定できる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Parameter reconstructions are indispensable in metrology. Here, on wants to
explain $K$ experimental measurements by fitting to them a parameterized model
of the measurement process. The model parameters are regularly determined by
least-square methods, i.e., by minimizing the sum of the squared residuals
between the $K$ model predictions and the $K$ experimental observations,
$\chi^2$. The model functions often involve computationally demanding numerical
simulations. Bayesian optimization methods are specifically suited for
minimizing expensive model functions. However, in contrast to least-square
methods such as the Levenberg-Marquardt algorithm, they only take the value of
$\chi^2$ into account, and neglect the $K$ individual model outputs. We
introduce a Bayesian target-vector optimization scheme that considers all $K$
contributions of the model function and that is specifically suited for
parameter reconstruction problems which are often based on hundreds of
observations. Its performance is compared to established methods for an optical
metrology reconstruction problem and two synthetic least-squares problems. The
proposed method outperforms established optimization methods. It also enables
to determine accurate uncertainty estimates with very few observations of the
actual model function by using Markov chain Monte Carlo sampling on a trained
surrogate model.
- Abstract(参考訳): パラメータ再構成は気象学では不可欠である。
ここでは、測定プロセスのパラメータ化モデルに適合させることで、$K$の実験的な測定を説明したい。
モデルパラメータは、最小二乗法、すなわち、$k$モデルの予測と$k$の実験的な観測の間の二乗残差の和を最小化することによって、定期的に決定される。
モデル関数は、しばしば数値シミュレーションを計算的に要求する。
ベイズ最適化法は、高価なモデル関数の最小化に特に適している。
しかし、revenberg-marquardtアルゴリズムのような最小二乗法とは対照的に、これらは$\chi^2$の値しか考慮せず、$k$の個々のモデル出力を無視する。
我々は,モデル関数のすべての$k$寄与を考慮したベイズ目標ベクトル最適化スキームを導入し,数百の観測結果に基づくパラメータ再構成問題に特に適している。
その性能は、光学メソロジー再構成問題と2つの合成最小二乗問題に対する確立された方法と比較される。
提案手法は確立した最適化手法を上回っている。
また、訓練された代理モデル上でマルコフ連鎖モンテカルロサンプリングを用いて実際のモデル関数の観測をほとんど行わず、正確な不確実性推定を行うこともできる。
関連論文リスト
- Model-Free Algorithm with Improved Sample Efficiency for Zero-Sum Markov
Games [71.0315408565146]
モデルフリーのステージベースQ-ラーニングアルゴリズムはモデルベースアルゴリズムと同じ$H$依存の最適性を享受できることを示す。
本アルゴリズムは,楽観的値関数と悲観的値関数のペアとして参照値関数を更新するキーとなる新しい設計を特徴とする。
論文 参考訳(メタデータ) (2023-08-17T08:34:58Z) - On the Effectiveness of Parameter-Efficient Fine-Tuning [79.6302606855302]
現在、多くの研究が、パラメータのごく一部のみを微調整し、異なるタスク間で共有されるパラメータのほとんどを保持することを提案している。
これらの手法は, いずれも細粒度モデルであり, 新たな理論的解析を行う。
我々の理論に根ざした空間性の有効性にもかかわらず、調整可能なパラメータをどう選ぶかという問題はまだ未解決のままである。
論文 参考訳(メタデータ) (2022-11-28T17:41:48Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳(メタデータ) (2022-09-16T19:15:50Z) - KL-Entropy-Regularized RL with a Generative Model is Minimax Optimal [70.15267479220691]
モデル強化学習のサンプル複雑性を,生成的分散自由モデルを用いて検討・解析する。
我々の分析は、$varepsilon$が十分小さい場合、$varepsilon$-optimal Policyを見つけるのが、ほぼ最小の最適化であることを示している。
論文 参考訳(メタデータ) (2022-05-27T19:39:24Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳(メタデータ) (2021-11-15T09:08:27Z) - Breaking the Sample Complexity Barrier to Regret-Optimal Model-Free
Reinforcement Learning [52.76230802067506]
漸進的強化学習における後悔を最小限に抑えるために,新しいモデルフリーアルゴリズムを提案する。
提案アルゴリズムは、2つのQ-ラーニングシーケンスの助けを借りて、初期設定された参照更新ルールを用いる。
初期の分散還元法の設計原理は、他のRL設定とは独立した関心を持つかもしれない。
論文 参考訳(メタデータ) (2021-10-09T21:13:48Z) - Variational Inference with NoFAS: Normalizing Flow with Adaptive
Surrogate for Computationally Expensive Models [7.217783736464403]
マルコフ連鎖モンテカルロのようなサンプリングに基づくアプローチの使用は、それぞれの可能性評価が計算的に高価であるときに難解になる可能性がある。
変分推論と正規化フローを組み合わせた新しいアプローチは、潜在変数空間の次元と線形にしか成長しない計算コストによって特徴づけられる。
本稿では,ニューラルネットワークサロゲートモデルの正規化フローパラメータと重みを代わりに更新する最適化戦略である,適応サロゲートを用いた正規化フロー(NoFAS)を提案する。
論文 参考訳(メタデータ) (2021-08-28T14:31:45Z) - Compressed particle methods for expensive models with application in
Astronomy and Remote Sensing [15.874578163779047]
そこで本研究では,高コストモデルの評価を行う手法を提案する。
いくつかの数値実験において, 提案手法の有効性を実証的に証明し, 提案手法を理論的に検証した。
そのうちの2つは、天文学と衛星リモートセンシングにおける現実世界の応用である。
論文 参考訳(メタデータ) (2021-07-18T14:45:23Z) - Recent advances in Bayesian optimization with applications to parameter
reconstruction in optical nano-metrology [0.0]
光ナノメートル法では 再構築が一般的な問題です
本稿では,2つのアプローチを組み合わせたベイズ目標ベクトル最適化手法を提案する。
提案手法は一般に、類似の再構成性能を達成するために、競合するどのスキームよりもモデル関数の呼び出しが少ないことが判明した。
論文 参考訳(メタデータ) (2021-07-12T15:32:15Z) - Quantum-Assisted Feature Selection for Vehicle Price Prediction Modeling [0.0]
本研究では,一般平均情報係数やピアソン相関係数などの二元モデルとして検索を符号化する指標について検討する。
我々は,新しい指標を用いて合成データの最適部分集合を求めるための0.9の精度スコアを得る。
その結果、量子支援ルーチンを活用することで、予測モデル出力の品質を高めるソリューションが見つかることが分かりました。
論文 参考訳(メタデータ) (2021-04-08T20:48:44Z) - Learning the Stein Discrepancy for Training and Evaluating Energy-Based
Models without Sampling [30.406623987492726]
非正規化密度モデルの評価と訓練のための新しい手法を提案する。
データ密度$p(x)$とデータのベクトル関数で定義されるモデル密度$q(x)$とのスタイン差を推定する。
これは、既存の手法を高次元データで上回る、新しい適合性テストをもたらす。
論文 参考訳(メタデータ) (2020-02-13T16:39:07Z)
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。