論文の概要: Selection of the Most Probable Best

• arxiv url: http://arxiv.org/abs/2207.07533v1
• Date: Fri, 15 Jul 2022 15:27:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-18 16:31:36.063314
• Title: Selection of the Most Probable Best
• Title（参考訳）: 最も可能性の高いベストの選択
• Authors: Taeho Kim, Kyoung-kuk Kim, Eunhye Song
• Abstract要約: 我々は、すべてのk解のシミュレーション出力が共通の不確実な入力モデルに依存する期待値ランキングと選択問題を考える。 入力モデルの不確実性が有限なサポート上の確率単純性によって捉えられることを考慮し、最適である確率が最大となる解として最も確率の高いベスト(MPB)を定義する。 まず,MPBを見つけるための効率的なサンプリングアルゴリズムを考案するために,まず,MPBを誤って選択する確率の大きな偏差率に対する低い境界を導出する。
• 参考スコア（独自算出の注目度）: 2.4314805796379217
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider an expected-value ranking and selection problem where all k solutions' simulation outputs depend on a common uncertain input model. Given that the uncertainty of the input model is captured by a probability simplex on a finite support, we define the most probable best (MPB) to be the solution whose probability of being optimal is the largest. To devise an efficient sampling algorithm to find the MPB, we first derive a lower bound to the large deviation rate of the probability of falsely selecting the MPB, then formulate an optimal computing budget allocation (OCBA) problem to find the optimal static sampling ratios for all solution-input model pairs that maximize the lower bound. We devise a series of sequential algorithms that apply interpretable and computationally efficient sampling rules and prove their sampling ratios achieve the optimality conditions for the OCBA problem as the simulation budget increases. The algorithms are benchmarked against a state-of-the-art sequential sampling algorithm designed for contextual ranking and selection problems and demonstrated to have superior empirical performances at finding the MPB.
• Abstract（参考訳）: 我々は、すべてのk解のシミュレーション出力が共通の不確実な入力モデルに依存する期待値ランキングと選択問題を考える。 入力モデルの不確実性が有限なサポート上の確率単純性によって捉えられることを考慮し、最適である確率が最大となる解として最も確率の高いベスト(MPB)を定義する。 効率的なサンプリングアルゴリズムを考案するために、まず、MPBを誤って選択する確率の大きな偏差率に下限を導出し、次に最適計算予算割当(OCBA)問題を定式化し、下限を最大化する解-入出力モデルペアに対して最適な静的サンプリング比を求める。 本研究では, 解釈可能かつ計算効率の良いサンプリング規則を適用した逐次アルゴリズムを考案し, シミュレーション予算の増大に伴い, ocba問題の最適条件が達成されることを示す。 アルゴリズムは,コンテキストのランク付けと選択問題用に設計された最先端の逐次サンプリングアルゴリズムに対してベンチマークを行い,mpbの探索において優れた経験的性能を示すことを示した。

関連論文リスト

• Best Arm Identification with Fixed Budget: A Large Deviation Perspective [54.305323903582845]
  我々は、様々な武器の報酬間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。 特に、様々な武器の報酬の間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。
  論文  参考訳（メタデータ） (2023-12-19T13:17:43Z)
• 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)
• Convergence Rate Analysis for Optimal Computing Budget Allocation Algorithms [1.713291434132985]
  オーディナル最適化(Ordinal Optimization, OO)は、離散イベント動的システムを最適化するための広く研究されている手法である。 OOのよく知られた方法は、最適計算予算配分(OCBA)である。 本稿では,2つのOCBAアルゴリズムについて検討する。
  論文  参考訳（メタデータ） (2022-11-27T04:55:40Z)
• Exploring the Algorithm-Dependent Generalization of AUPRC Optimization with List Stability [107.65337427333064]
  AUPRC(Area Under the Precision-Recall Curve)の最適化は、機械学習にとって重要な問題である。 本研究では, AUPRC最適化の単依存一般化における最初の試行について述べる。 3つの画像検索データセットの実験は、我々のフレームワークの有効性と健全性に言及する。
  論文  参考訳（メタデータ） (2022-09-27T09:06:37Z)
• Integrated Conditional Estimation-Optimization [6.037383467521294]
  確率のある不確実なパラメータを文脈的特徴情報を用いて推定できる実世界の多くの最適化問題である。 不確実なパラメータの分布を推定する標準的な手法とは対照的に,統合された条件推定手法を提案する。 当社のI CEOアプローチは、穏健な条件下で理論的に一貫性があることを示します。
  論文  参考訳（メタデータ） (2021-10-24T04:49:35Z)
• Sparse Bayesian Learning via Stepwise Regression [1.2691047660244335]
  我々は、RMP(Relevance Matching Pursuit)と呼ばれるSBLのための座標加算アルゴリズムを提案する。 ノイズ分散パラメータがゼロになるにつれて、RMPはステップワイド回帰と驚くべき関係を示す。 ステップワイド回帰アルゴリズムの新たな保証を導き、RMPにも光を当てる。
  論文  参考訳（メタデータ） (2021-06-11T00:20:27Z)
• High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
  アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。 非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。 そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
  論文  参考訳（メタデータ） (2021-06-10T17:54:21Z)
• 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)
• Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
  本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。 最先端アルゴリズムの利点を論じ、解説する。
  論文  参考訳（メタデータ） (2020-09-28T15:22:24Z)
• Stochastic Optimization Forests [60.523606291705214]
  標準的なランダムな森林アルゴリズムのように予測精度を向上させるために分割するのではなく、分割を選択した木を栽培し、下流の意思決定品質を直接最適化することで、森林決定政策の訓練方法を示す。 概略分割基準は、各候補分割に対して正確に最適化された森林アルゴリズムに近い性能を保ちながら、100倍のランニング時間を短縮できることを示す。
  論文  参考訳（メタデータ） (2020-08-17T16:56:06Z)

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。