論文の概要: Robustness Guarantees for Credal Bayesian Networks via Constraint
Relaxation over Probabilistic Circuits
- arxiv url: http://arxiv.org/abs/2205.05793v1
- Date: Wed, 11 May 2022 22:37:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-05-14 02:53:27.546321
- Title: Robustness Guarantees for Credal Bayesian Networks via Constraint
Relaxation over Probabilistic Circuits
- Title（参考訳）: 確率回路上の制約緩和によるクレダルベイズネットワークのロバスト性保証
- Authors: Hjalmar Wijk, Benjie Wang, Marta Kwiatkowska
- Abstract要約: 本研究では,決定関数のロバスト性を,断続ベイズ的ネットワークに対して定量化する手法を開発した。
回路サイズにおいて線形時間で MARmax 上の保証上限を得る方法を示す。
- 参考スコア（独自算出の注目度）: 16.997060715857987
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In many domains, worst-case guarantees on the performance (e.g., prediction
accuracy) of a decision function subject to distributional shifts and
uncertainty about the environment are crucial. In this work we develop a method
to quantify the robustness of decision functions with respect to credal
Bayesian networks, formal parametric models of the environment where
uncertainty is expressed through credal sets on the parameters. In particular,
we address the maximum marginal probability (MARmax) problem, that is,
determining the greatest probability of an event (such as misclassification)
obtainable for parameters in the credal set. We develop a method to faithfully
transfer the problem into a constrained optimization problem on a probabilistic
circuit. By performing a simple constraint relaxation, we show how to obtain a
guaranteed upper bound on MARmax in linear time in the size of the circuit. We
further theoretically characterize this constraint relaxation in terms of the
original Bayesian network structure, which yields insight into the tightness of
the bound. We implement the method and provide experimental evidence that the
upper bound is often near tight and demonstrates improved scalability compared
to other methods.
- Abstract（参考訳）: 多くの領域において、分布シフトを受ける決定関数の性能(例えば予測精度)と環境の不確実性に関する最悪の保証が重要である。
本研究では,不確実性がパラメータのクレダル集合によって表現される環境の形式的パラメトリックモデルであるクレダルベイズネットワークに関して,決定関数のロバスト性を定量化する手法を開発した。
特に,最大限界確率(MARmax)問題,すなわち,干潟集合のパラメータに対して得られる事象の最大確率(誤分類など)を決定する問題に対処する。
確率回路上の制約付き最適化問題に問題を忠実に伝達する手法を開発した。
簡単な制約緩和を行うことで、回路の大きさの線形時間におけるmarmax上の保証された上限を得る方法を示す。
さらに理論上、この制約緩和を元のベイズネットワーク構造の観点から特徴づけ、境界の厳密性についての洞察を与える。
提案手法を実装し,上界が密接に近く,他の手法と比較してスケーラビリティが向上していることを示す実験的な証拠を提供する。
関連論文リスト
- Continuous Bayesian Model Selection for Multivariate Causal Discovery [22.945274948173182]
現在の因果的発見アプローチは、構造的識別可能性を確保するために、限定的なモデル仮定や介入データへのアクセスを必要とする。
近年の研究では、ベイズモデルの選択はより柔軟な仮定のために制限的モデリングを交換することで精度を大幅に向上させることができることが示されている。
合成データセットと実世界のデータセットの両方において、我々のアプローチの競争力を実証する。
論文 参考訳（メタデータ） (2024-11-15T12:55:05Z) - Statistical Inference for Temporal Difference Learning with Linear Function Approximation [62.69448336714418]
時間差差(TD)学習は、おそらく政策評価に最も広く使用されるものであり、この目的の自然な枠組みとして機能する。
本稿では,Polyak-Ruppert平均化と線形関数近似によるTD学習の整合性について検討し,既存の結果よりも3つの重要な改善点を得た。
論文 参考訳（メタデータ） (2024-10-21T15:34:44Z) - Rigorous Probabilistic Guarantees for Robust Counterfactual Explanations [80.86128012438834]
モデルシフトに対する反ファクトの堅牢性を計算することはNP完全であることを示す。
本稿では,頑健性の厳密な推定を高い保証で実現する新しい確率論的手法を提案する。
論文 参考訳（メタデータ） (2024-07-10T09:13:11Z) - Information-Theoretic Safe Bayesian Optimization [59.758009422067005]
そこでは、未知の(安全でない)制約に反するパラメータを評価することなく、未知の関数を最適化することを目的としている。
現在のほとんどのメソッドはドメインの離散化に依存しており、連続ケースに直接拡張することはできない。
本稿では,GP後部を直接利用して,最も情報に富む安全なパラメータを識別する情報理論的安全な探索基準を提案する。
論文 参考訳（メタデータ） (2024-02-23T14:31:10Z) - Online Constraint Tightening in Stochastic Model Predictive Control: A
Regression Approach [49.056933332667114]
確率制約付き最適制御問題に対する解析解は存在しない。
制御中の制約強調パラメータをオンラインで学習するためのデータ駆動型アプローチを提案する。
提案手法は, 確率制約を厳密に満たす制約強調パラメータを導出する。
論文 参考訳（メタデータ） (2023-10-04T16:22:02Z) - Margin theory for the scenario-based approach to robust optimization in
high dimension [0.0]
本稿では、ロバストな最適化のためのシナリオアプローチを扱う。
これは、問題の不確実性によって引き起こされる可能性のある無限個の制約のランダムサンプリングに依存する。
論文 参考訳（メタデータ） (2023-03-07T13:33:46Z) - Information-Theoretic Safe Exploration with Gaussian Processes [89.31922008981735]
未知の(安全でない)制約に反するパラメータを評価できないような、逐次的な意思決定タスクについて検討する。
現在のほとんどのメソッドはドメインの離散化に依存しており、連続ケースに直接拡張することはできない。
本稿では,GP後部を直接利用して,最も情報に富む安全なパラメータを識別する情報理論的安全な探索基準を提案する。
論文 参考訳（メタデータ） (2022-12-09T15:23:58Z) - Rockafellian Relaxation and Stochastic Optimization under Perturbations [0.056247917037481096]
我々は、ロカフェル緩和に基づく楽観的なフレームワークを開発し、最適化は元の決定空間だけでなく、モデルの選択と共同で行われる。
この枠組みは、厳密かつ厳密なロックフェリアンの新たな概念に焦点を合わせ、特定の設定で否定的な「正規化」の解釈が現れる。
論文 参考訳（メタデータ） (2022-04-10T20:02:41Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳（メタデータ） (2020-11-05T08:04:34Z) - Being Bayesian about Categorical Probability [6.875312133832079]
クラスラベルに対する分類的確率の確率変数を考える。
この枠組みでは、先行分布は観測されたラベルに固有の推定ノイズを明示的にモデル化する。
本手法は,計算オーバーヘッドが無視できるプラグアンドプレイ損失関数として実装することができる。
論文 参考訳（メタデータ） (2020-02-19T02:35:32Z)
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。