論文の概要: Exploration of Parameter Spaces Assisted by Machine Learning
- arxiv url: http://arxiv.org/abs/2207.09959v1
- Date: Wed, 20 Jul 2022 15:09:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-21 14:20:31.712757
- Title: Exploration of Parameter Spaces Assisted by Machine Learning
- Title(参考訳): 機械学習によるパラメータ空間の探索
- Authors: A. Hammad, Myeonghun Park, Raymundo Ramos and Pankaj Saha
- Abstract要約: 機械学習によるパラメータ空間の探索を改良し、サンプリング手順を実装する様々な機能やクラスを示す。
特に,回帰と分類という,異なる機械学習モデルの導入を支援する2つの手法について論じる。
本稿で使用するコードと使用方法の指示は,Web上で公開されている。
- 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: We showcase a variety of functions and classes that implement sampling
procedures with improved exploration of the parameter space assisted by machine
learning. Special attention is paid to setting sane defaults with the objective
that adjustments required by different problems remain minimal. This collection
of routines can be employed for different types of analysis, from finding
bounds on the parameter space to accumulating samples in areas of interest. In
particular, we discuss two methods assisted by incorporating different machine
learning models: regression and classification. We show that a machine learning
classifier can provide higher efficiency for exploring the parameter space.
Also, we introduce a boosting technique to improve the slow convergence at the
start of the process. The use of these routines is better explained with the
help of a few examples that illustrate the type of results one can obtain. We
also include examples of the code used to obtain the examples as well as
descriptions of the adjustments that can be made to adapt the calculation to
other problems. We finalize by showing the impact of these techniques when
exploring the parameter space of the two Higgs doublet model that matches the
measured Higgs Boson signal strength. The code used for this paper and
instructions on how to use it are available on the web.
- Abstract(参考訳): 機械学習の支援によりパラメータ空間の探索性が向上したサンプリング手順を実装した様々な機能やクラスを紹介する。
問題によって要求される調整が最小限に抑えられることを目標として、不適切なデフォルトの設定に特別注意が払われる。
このルーチンのコレクションは、パラメータ空間上の境界を見つけることから、興味のある領域のサンプルを蓄積することまで、さまざまなタイプの分析に使用できる。
特に,回帰と分類という,異なる機械学習モデルの導入を支援する2つの手法について論じる。
機械学習分類器はパラメータ空間の探索に高い効率性を提供できることを示す。
また,プロセス開始時の緩やかな収束を改善するために,促進技術を導入する。
これらのルーチンの使用は、得られる結果のタイプを示すいくつかの例の助けを借りて、より詳しく説明されている。
また,サンプル取得に使用するコードの例や,計算を他の問題に適用するための調整についての説明も行っています。
測定されたヒッグス・ボソン信号強度と一致する2つのヒッグス・ダブレットモデルのパラメータ空間を探索する際に,これらの手法が与える影響について述べる。
本稿で使用するコードと使用方法の指示は,Web上で公開されている。
関連論文リスト
- Applications of model-aware reinforcement learning in Bayesian quantum
metrology [0.6138671548064355]
Belliardo et al., arXiv:2312.16985 (2023) では、量子力学と推定において幅広いタスクを最適化できる手順を紹介した。
我々は、トレーニングにおいて、システムを記述する物理を明示的に考慮した最適化にモデルベースのアプローチを採用する。
この展示は、PyPIでリリースされたqsensoroptライブラリで実装されている、この方法の幅広い適用性を示している。
論文 参考訳(メタデータ) (2024-03-08T22:48:07Z) - Unbinned Profiled Unfolding [2.0813318162800707]
展開は、検出器効果を補正する粒子物理学実験において重要な手順である。
そこで本稿では,非結合な差分断面を生じる機械学習に基づく新しい展開手法を提案する。
論文 参考訳(メタデータ) (2023-02-10T17:28:01Z) - HardVis: Visual Analytics to Handle Instance Hardness Using
Undersampling and Oversampling Techniques [74.09665819220567]
HardVisは、主に不均衡な分類シナリオでインスタンスの硬さを処理するために設計されたビジュアル分析システムである。
ユーザはさまざまな視点からデータのサブセットを探索して、これらのパラメータをすべて決定できる。
HardVisの有効性と有効性は仮説的利用シナリオとユースケースで実証される。
論文 参考訳(メタデータ) (2022-03-29T17:04:16Z) - A Lagrangian Duality Approach to Active Learning [119.36233726867992]
トレーニングデータのサブセットのみをラベル付けするバッチアクティブな学習問題を考察する。
制約付き最適化を用いて学習問題を定式化し、各制約はラベル付きサンプルにモデルの性能を拘束する。
数値実験により,提案手法は最先端の能動学習法と同等かそれ以上に機能することを示した。
論文 参考訳(メタデータ) (2022-02-08T19:18:49Z) - GENEOnet: A new machine learning paradigm based on Group Equivariant
Non-Expansive Operators. An application to protein pocket detection [97.5153823429076]
グループ同変非拡張演算子に基づく新しい計算パラダイムを導入する。
我々は、薬物設計における重要な問題として、ホスト可能なタンパク質の表面のポケットを検出する、GENEOnetと呼ばれる方法を試した。
論文 参考訳(メタデータ) (2022-01-31T11:14:51Z) - Experimental Investigation and Evaluation of Model-based Hyperparameter
Optimization [0.3058685580689604]
本稿では、一般的な機械学習アルゴリズムの理論的および実践的な結果の概要を述べる。
Rパッケージmlrは機械学習モデルの統一インターフェースとして使用される。
論文 参考訳(メタデータ) (2021-07-19T11:37:37Z) - Hyperboost: Hyperparameter Optimization by Gradient Boosting surrogate
models [0.4079265319364249]
現在の最先端の方法は、ランダムフォレストまたはガウスプロセスを利用してサーロゲートモデルを構築しています。
勾配向上に基づく新しいサロゲートモデルを提案する。
実験により,新しい手法は,ある程度の分類問題に対して,最先端技術より優れていることを示す。
論文 参考訳(メタデータ) (2021-01-06T22:07:19Z) - Learning outside the Black-Box: The pursuit of interpretable models [78.32475359554395]
本稿では,任意の連続ブラックボックス関数の連続的大域的解釈を生成するアルゴリズムを提案する。
我々の解釈は、その芸術の以前の状態から飛躍的な進歩を表している。
論文 参考訳(メタデータ) (2020-11-17T12:39:44Z) - Multi-task Supervised Learning via Cross-learning [102.64082402388192]
我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。
我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。
これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
論文 参考訳(メタデータ) (2020-10-24T21:35:57Z) - Deducing neighborhoods of classes from a fitted model [68.8204255655161]
本稿では,新しいタイプの解釈可能な機械学習手法を提案する。
量子シフトを用いた分類モデルでは、特徴空間の予測クラスへの分割を理解するのに役立ちます。
基本的に、実際のデータポイント(または特定の関心点)を使用し、特定の特徴をわずかに引き上げたり減少させたりした後の予測の変化を観察する。
論文 参考訳(メタデータ) (2020-09-11T16:35:53Z) - Variational Inference with Parameter Learning Applied to Vehicle
Trajectory Estimation [20.41604350878599]
雑音測定のみを用いたガウス変分推論におけるパラメータ学習について述べる。
我々はライダーを用いた自動車による36kmのデータセットを用いて高精細マップに対するローカライズを行う手法を実証した。
論文 参考訳(メタデータ) (2020-03-21T19:48:07Z)
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。