論文の概要: Design Amortization for Bayesian Optimal Experimental Design

• arxiv url: http://arxiv.org/abs/2210.03283v1
• Date: Fri, 7 Oct 2022 02:12:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 13:34:37.458399
• Title: Design Amortization for Bayesian Optimal Experimental Design
• Title（参考訳）: ベイズ最適実験設計のための設計アモルティゼーション
• Authors: Noble Kennamer, Steven Walton, Alexander Ihler
• Abstract要約: 予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。 実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 70.13948372218849
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian optimal experimental design is a sub-field of statistics focused on developing methods to make efficient use of experimental resources. Any potential design is evaluated in terms of a utility function, such as the (theoretically well-justified) expected information gain (EIG); unfortunately however, under most circumstances the EIG is intractable to evaluate. In this work we build off of successful variational approaches, which optimize a parameterized variational model with respect to bounds on the EIG. Past work focused on learning a new variational model from scratch for each new design considered. Here we present a novel neural architecture that allows experimenters to optimize a single variational model that can estimate the EIG for potentially infinitely many designs. To further improve computational efficiency, we also propose to train the variational model on a significantly cheaper-to-evaluate lower bound, and show empirically that the resulting model provides an excellent guide for more accurate, but expensive to evaluate bounds on the EIG. We demonstrate the effectiveness of our technique on generalized linear models, a class of statistical models that is widely used in the analysis of controlled experiments. Experiments show that our method is able to greatly improve accuracy over existing approximation strategies, and achieve these results with far better sample efficiency.
• Abstract（参考訳）: ベイズ最適実験設計は、実験資源を効率的に活用する手法の開発に焦点を当てた統計のサブフィールドである。 潜在的な設計は、(理論的に適切に調整された)期待情報ゲイン(EIG)のようなユーティリティ機能の観点から評価されるが、残念ながらほとんどの場合、EIGは評価が難しい。 本研究では、EIG上のバウンダリに対してパラメータ化された変分モデルを最適化する、成功した変分アプローチから構築する。 過去の研究は、新しいデザインを検討するごとに、スクラッチから新しい変動モデルを学ぶことに焦点を当てた。 本稿では,実験者が無限に多くの設計の固有値を推定できる単一の変分モデルの最適化を可能にする,新しいニューラル・アーキテクチャを提案する。 計算効率をより高めるために,より安価で評価可能な下界での変分モデルをトレーニングすることを提案し,得られたモデルがより正確であるが,EIG上の限界を評価するのに費用がかかることを示す。 制御実験の解析に広く用いられている統計モデルのクラスである一般化線形モデルにおいて,本手法の有効性を実証する。 実験により,本手法は既存の近似法よりも精度を向上し,より優れた試料効率で得られた結果が得られた。

関連論文リスト

• A Likelihood-Free Approach to Goal-Oriented Bayesian Optimal Experimental Design [0.0]
  本稿では,非線形観測および予測モデルを用いたGO-OEDの計算方法であるLF-GO-OED(likelihood-free goal-oriented optimal experiment design)を紹介する。 暗黙のモデルに適応するように特別に設計されている。 本手法は既存の方法によるベンチマーク問題で検証され,疫学および神経科学の科学的応用で実証された。
  論文  参考訳（メタデータ） (2024-08-18T19:45:49Z)
• Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
  我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。 本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。 提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
  論文  参考訳（メタデータ） (2024-03-20T00:41:12Z)
• Enhanced Bayesian Optimization via Preferential Modeling of Abstract Properties [49.351577714596544]
  本研究では,非測定抽象特性に関する専門家の嗜好を代理モデルに組み込むための,人間とAIの協調型ベイズフレームワークを提案する。 優先判断において、誤った/誤解を招く専門家バイアスを処理できる効率的な戦略を提供する。
  論文  参考訳（メタデータ） (2024-02-27T09:23:13Z)
• Variational Sequential Optimal Experimental Design using Reinforcement Learning [0.0]
  ベイジアン・フレームワークと情報ゲイン・ユーティリティを用いた有限列実験を最適に設計する新しい手法である変分逐次最適実験設計(vsOED)を導入する。 以上の結果から,従来の逐次設計アルゴリズムと比較して,サンプル効率が大幅に向上し,前方モデルシミュレーションの数が減少したことが示唆された。
  論文  参考訳（メタデータ） (2023-06-17T21:47:19Z)
• Statistically Efficient Bayesian Sequential Experiment Design via Reinforcement Learning with Cross-Entropy Estimators [15.461927416747582]
  強化学習は、実験のシーケンスを設計するための改善された設計ポリシーを学ぶことができる。 本稿では,関節モデル分布のクロスエントロピーとフレキシブルな提案分布に基づく代替推定器を提案する。 提案手法は,従来の手法の指数サンプルの複雑さを克服し,高いEIG値のより正確な推定値を提供する。
  論文  参考訳（メタデータ） (2023-05-29T00:35:52Z)
• Online simulator-based experimental design for cognitive model selection [74.76661199843284]
  本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。 シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
  論文  参考訳（メタデータ） (2023-03-03T21:41:01Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• Bayesian Optimal Experimental Design for Simulator Models of Cognition [14.059933880568908]
  BOEDの最近の進歩と、難解モデルに対する近似推論を組み合わせ、最適な実験設計を求める。 マルチアームバンディットタスクのシミュレーション実験により,モデル判別とパラメータ推定の改善が得られた。
  論文  参考訳（メタデータ） (2021-10-29T09:04:01Z)
• Optimal Bayesian experimental design for subsurface flow problems [77.34726150561087]
  本稿では,設計ユーティリティ機能のためのカオス拡張サロゲートモデル(PCE)の開発のための新しいアプローチを提案する。 この手法により,対象関数に対する適切な品質応答面の導出が可能となり,計算予算は複数の単点評価に匹敵する。
  論文  参考訳（メタデータ） (2020-08-10T09:42:59Z)

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。