論文の概要: Data-Driven Sample Average Approximation with Covariate Information
- arxiv url: http://arxiv.org/abs/2207.13554v1
- Date: Wed, 27 Jul 2022 14:45:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-28 13:54:46.615068
- Title: Data-Driven Sample Average Approximation with Covariate Information
- Title（参考訳）: 共変量情報を用いたデータ駆動サンプル平均近似
- Authors: Rohit Kannan and G\"uzin Bayraksan and James R. Luedtke
- Abstract要約: 我々は、コパラメトリックの同時観測とともに、最適化モデル内の不確実なパラメータの観測を行う際に、データ駆動意思決定のための最適化について検討する。
本稿では,機械学習予測モデルをプログラムサンプル平均近似(SAA)に組み込んだ3つのデータ駆動フレームワークについて検討する。
- 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 study optimization for data-driven decision-making when we have
observations of the uncertain parameters within the optimization model together
with concurrent observations of covariates. Given a new covariate observation,
the goal is to choose a decision that minimizes the expected cost conditioned
on this observation. We investigate three data-driven frameworks that integrate
a machine learning prediction model within a stochastic programming sample
average approximation (SAA) for approximating the solution to this problem. Two
of the SAA frameworks are new and use out-of-sample residuals of leave-one-out
prediction models for scenario generation. The frameworks we investigate are
flexible and accommodate parametric, nonparametric, and semiparametric
regression techniques. We derive conditions on the data generation process, the
prediction model, and the stochastic program under which solutions of these
data-driven SAAs are consistent and asymptotically optimal, and also derive
convergence rates and finite sample guarantees. Computational experiments
validate our theoretical results, demonstrate the potential advantages of our
data-driven formulations over existing approaches (even when the prediction
model is misspecified), and illustrate the benefits of our new data-driven
formulations in the limited data regime.
- Abstract（参考訳）: 我々は,コバリアイトの同時観測とともに,最適化モデル内の不確実なパラメータの観測を行う際に,データ駆動意思決定のための最適化について検討する。
新しい共変量観測を考えると、目標は、この観測に基づく期待コストを最小化する決定を選択することである。
本研究では,確率的プログラミングサンプル平均近似(saa)に機械学習予測モデルを統合する3つのデータ駆動フレームワークについて検討した。
SAAフレームワークの2つは新しいもので、シナリオ生成のための残余予測モデルのサンプル外残量を使用する。
私たちが調査するフレームワークは柔軟で、パラメトリック、ノンパラメトリック、セミパラメトリック回帰技術に対応しています。
我々は、これらのデータ駆動型SAAの解が一貫性があり、漸近的に最適であるデータ生成過程、予測モデル、確率プログラムに関する条件を導出するとともに、収束率と有限サンプル保証を導出する。
計算実験は、我々の理論結果を検証し、既存のアプローチに対するデータ駆動型定式化の潜在的な利点を実証し(予測モデルが不特定であっても)、データ駆動型定式化の利点を限定データ方式で示す。
関連論文リスト
- On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2024-10-21T18:31:04Z) - Distributionally Robust Optimization as a Scalable Framework to Characterize Extreme Value Distributions [22.765095010254118]
本研究の目的は分散ロバストな最適化 (DRO) 推定器の開発であり、特に多次元極値理論 (EVT) の統計量についてである。
点過程の空間における半パラメトリックな最大安定制約によって予測されるDRO推定器について検討した。
両手法は, 合成データを用いて検証し, 所定の特性を回復し, 提案手法の有効性を検証する。
論文 参考訳（メタデータ） (2024-07-31T19:45:27Z) - Inference at the data's edge: Gaussian processes for modeling and inference under model-dependency, poor overlap, and extrapolation [0.0]
ガウス過程 (GP) はフレキシブルな非線形回帰法である。
これは、予測された(非現実的な)値に対する不確実性を扱うための原則化されたアプローチを提供する。
これは外挿または弱い重なり合いの条件下では特に有用である。
論文 参考訳（メタデータ） (2024-07-15T05:09:50Z) - Bayesian Nonparametrics Meets Data-Driven Distributionally Robust Optimization [29.24821214671497]
機械学習と統計モデルのトレーニングは、しばしばデータ駆動型リスク基準の最適化を伴う。
ベイズ的非パラメトリック(ディリクレ過程)理論と、スムーズなあいまいさ-逆選好の最近の決定論的モデルを組み合わせた、新しいロバストな基準を提案する。
実用的な実装として、よく知られたディリクレプロセスの表現に基づいて、評価基準の抽出可能な近似を提案し、研究する。
論文 参考訳（メタデータ） (2024-01-28T21:19:15Z) - Self-Supervised Dataset Distillation for Transfer Learning [77.4714995131992]
ラベルなしデータセットを、効率的な自己教師付き学習(SSL)のための小さな合成サンプル群に蒸留する新しい問題を提案する。
両レベル最適化におけるSSL目標に対する合成サンプルの勾配は、データ拡張やマスキングから生じるランダム性から、テキストバイアスを受けていることを最初に証明する。
転送学習を含む様々な応用における本手法の有効性を実証的に検証する。
論文 参考訳（メタデータ） (2023-10-10T10:48:52Z) - RIGID: Robust Linear Regression with Missing Data [7.638042073679073]
機能に欠落したエントリで線形回帰を行うための堅牢なフレームワークを提案する。
本稿では,変数間の依存性を自然に考慮した定式化が,凸プログラムに還元されることを示す。
詳細な分析に加えて,提案するフレームワークの挙動を分析し,技術的議論を行う。
論文 参考訳（メタデータ） (2022-05-26T21:10:17Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳（メタデータ） (2021-06-03T12:59:16Z) - Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。
AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。
本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文 参考訳（メタデータ） (2020-10-24T07:01:24Z) - Model-based Policy Optimization with Unsupervised Model Adaptation [37.09948645461043]
本研究では,不正確なモデル推定による実データとシミュレーションデータのギャップを埋めて,より良いポリシ最適化を実現する方法について検討する。
本稿では,教師なしモデル適応を導入したモデルベース強化学習フレームワークAMPOを提案する。
提案手法は,一連の連続制御ベンチマークタスクにおけるサンプル効率の観点から,最先端の性能を実現する。
論文 参考訳（メタデータ） (2020-10-19T14:19:42Z) - Control as Hybrid Inference [62.997667081978825]
本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。
連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
論文 参考訳（メタデータ） (2020-07-11T19:44:09Z) - Efficient Ensemble Model Generation for Uncertainty Estimation with
Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。
提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。
また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文 参考訳（メタデータ） (2020-05-21T16:08:38Z)
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。