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: 処理完了
- 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。
- 全文 参考訳へのリンク
関連論文リスト
- Deep Ensemble as a Gaussian Process Approximate Posterior [32.617549688656354]
Deep Ensemble (DE)は、ディープラーニングにおける不確実性定量化のためのベイズニューラルネットワークの効果的な代替手段である。
本稿では,機能的不整合を明示的に特徴付け,トレーニングデータと特定の事前信条を調整したDEの改良を提案する。
提案手法では,標準のDEよりもわずかにトレーニングコストを削減できるが,様々なシナリオにまたがるDEとその変種よりも不確実性の定量化を実現している。
論文 参考訳(メタデータ) (2022-04-30T05:25:44Z) - Rockafellian Relaxation in Optimization under Uncertainty:
Asymptotically Exact Formulations [0.15229257192293202]
我々は、ロカフェル緩和に基づく「最適化」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。
主な発展は、凸性、滑らか性、さらには目的関数の連続性に関する仮定を含まないことである。
論文 参考訳(メタデータ) (2022-04-10T20:02:41Z) - On the Pitfalls of Heteroscedastic Uncertainty Estimation with
Probabilistic Neural Networks [23.502721524477444]
このアプローチがいかにして非常に貧弱だが安定な推定に繋がるかを示す合成例を示す。
問題を悪化させる特定の条件とともに、犯人をログライクな損失とみなす。
我々は、損失に対する各データポイントの寄与を、$beta$-exponentiated variance estimateによって重み付けする、$beta$-NLLと呼ばれる別の定式化を提案する。
論文 参考訳(メタデータ) (2022-03-17T08:46:17Z) - Error-based Knockoffs Inference for Controlled Feature Selection [49.99321384855201]
本手法では, ノックオフ特徴量, エラーベース特徴重要度統計量, ステップダウン手順を一体化して, エラーベースのノックオフ推定手法を提案する。
提案手法では回帰モデルを指定する必要はなく,理論的保証で特徴選択を処理できる。
論文 参考訳(メタデータ) (2022-03-09T01:55:59Z) - Distributionally Robust Bayesian Optimization with $\phi$-divergences [55.071434352141395]
我々は,$phi$-divergences におけるデータシフトに対するロバストさを,Total Variation や既存のKullback-Leibler の発散など,多くの一般的な選択を仮定する。
この設定におけるDRO-BO問題は有限次元最適化問題と等価であり、連続的な文脈でも証明可能な部分線型後悔境界で容易に実装できることを示す。
論文 参考訳(メタデータ) (2022-03-04T04:34:52Z) - Linear Stochastic Bandits over a Bit-Constrained Channel [37.01818450308119]
我々は,ビット制約チャネル上に線形バンドレットの新たな定式化を導入する。
サーバの目標は、未知のモデルパラメータの推定値に基づいてアクションを取ることで、累積的後悔を最小限に抑えることである。
未知のモデルが$d$-dimensionalである場合、チャネル容量は$O(d)$ bits suffices で順序最適後悔を実現する。
論文 参考訳(メタデータ) (2022-03-02T15:54:03Z) - Robustness and Accuracy Could Be Reconcilable by (Proper) Definition [109.62614226793833]
強靭性と精度のトレードオフは、敵文学において広く研究されている。
局所的不変性の帰納的バイアスを課す不適切に定義された頑健な誤差に由来する可能性がある。
定義上、SCOREは、最悪のケースの不確実性に対処しながら、堅牢性と正確性の間の和解を促進する。
論文 参考訳(メタデータ) (2022-02-21T10:36:09Z) - Meta-Learning Hypothesis Spaces for Sequential Decision-making [79.73213540203389]
オフラインデータ(Meta-KeL)からカーネルをメタ学習することを提案する。
穏やかな条件下では、推定されたRKHSが有効な信頼セットを得られることを保証します。
また,ベイズ最適化におけるアプローチの有効性を実証的に評価した。
論文 参考訳(メタデータ) (2022-02-01T17:46:51Z) - Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。
本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文 参考訳(メタデータ) (2021-05-17T08:36:18Z) - Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。
このアプローチは多くの実装と最適化の課題をもたらします。
提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
論文 参考訳(メタデータ) (2021-03-18T14:26:26Z) - Handling Epistemic and Aleatory Uncertainties in Probabilistic Circuits [18.740781076082044]
確率的推論の大規模クラスを扱うアプローチの背後にある独立性の仮定を克服する手法を提案する。
ベイズ学習のアルゴリズムは、完全な観察にもかかわらず、スパースから提供します。
そのような回路の各リーフは、不確実な確率を表すエレガントなフレームワークを提供するベータ分散ランダム変数でラベル付けされています。
論文 参考訳(メタデータ) (2021-02-22T10:03:15Z)
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。