論文の概要: Sequential Decision Making on Unmatched Data using Bayesian Kernel Embeddings

• arxiv url: http://arxiv.org/abs/2210.13692v1
• Date: Tue, 25 Oct 2022 01:27:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 13:46:27.269290
• Title: Sequential Decision Making on Unmatched Data using Bayesian Kernel Embeddings
• Title（参考訳）: ベイズ核埋め込みを用いた不一致データの逐次決定
• Authors: Diego Martinez-Taboada, Dino Sejdinovic
• Abstract要約: 本稿では,関数の期待値を最大化する新しいアルゴリズムを提案する。 特徴の条件分布と未知関数の両方から導かれる不確実性について考察する。 本アルゴリズムは,実験において,現在最先端のアルゴリズムよりも経験的に優れている。
• 参考スコア（独自算出の注目度）: 10.75801980090826
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The problem of sequentially maximizing the expectation of a function seeks to maximize the expected value of a function of interest without having direct control on its features. Instead, the distribution of such features depends on a given context and an action taken by an agent. In contrast to Bayesian optimization, the arguments of the function are not under agent's control, but are indirectly determined by the agent's action based on a given context. If the information of the features is to be included in the maximization problem, the full conditional distribution of such features, rather than its expectation only, needs to be accounted for. Furthermore, the function is itself unknown, only counting with noisy observations of such function, and potentially requiring the use of unmatched data sets. We propose a novel algorithm for the aforementioned problem which takes into consideration the uncertainty derived from the estimation of both the conditional distribution of the features and the unknown function, by modeling the former as a Bayesian conditional mean embedding and the latter as a Gaussian process. Our algorithm empirically outperforms the current state-of-the-art algorithm in the experiments conducted.
• Abstract（参考訳）: 関数の期待値を順次最大化する問題は、その特徴を直接制御することなく、関心関数の期待値を最大化することを求める。 代わりに、そのような特徴の分布は、与えられたコンテキストとエージェントが取るアクションに依存する。 ベイズ最適化とは対照的に、関数の引数はエージェントの制御下ではなく、与えられた文脈に基づいてエージェントの作用によって間接的に決定される。 これらの特徴の情報を最大化問題に含めなければならない場合、その期待のみでなく、そのような特徴の完全な条件分布を考慮する必要がある。 さらに、関数自体が未知であり、そのような関数のノイズの観測のみをカウントし、不一致のデータセットの使用を潜在的に要求する。 本稿では,前者をベイズ条件の平均埋め込み,後者をガウス過程としてモデル化することにより,特徴の条件分布と未知関数の両方の推定から生じる不確実性を考慮に入れた,上記の問題に対する新しいアルゴリズムを提案する。 本アルゴリズムは,現在の最先端アルゴリズムを実証的に上回っている。

関連論文リスト

• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Uncertainty Quantification with Bayesian Higher Order ReLU KANs [0.0]
  本稿では,コルモゴロフ・アルノルドネットワークの領域における不確実性定量化手法について紹介する。 簡単な一次元関数を含む一連の閉包試験により,本手法の有効性を検証した。 本稿では,ある項を包含することで導入された機能的依存関係を正しく識別する手法の能力を実証する。
  論文  参考訳（メタデータ） (2024-10-02T15:57:18Z)
• Information-Theoretic Safe Bayesian Optimization [59.758009422067005]
  そこでは、未知の(安全でない)制約に反するパラメータを評価することなく、未知の関数を最適化することを目的としている。 現在のほとんどのメソッドはドメインの離散化に依存しており、連続ケースに直接拡張することはできない。 本稿では,GP後部を直接利用して,最も情報に富む安全なパラメータを識別する情報理論的安全な探索基準を提案する。
  論文  参考訳（メタデータ） (2024-02-23T14:31:10Z)
• Robust Non-parametric Knowledge-based Diffusion Least Mean Squares over Adaptive Networks [12.266804067030455]
  提案アルゴリズムは, 協調推定器群における未知パラメータベクトルのロバストな推定に導かれる。 その結果,異なるノイズの種類が存在する場合,提案アルゴリズムのロバスト性を示す。
  論文  参考訳（メタデータ） (2023-12-03T06:18:59Z)
• Promises and Pitfalls of the Linearized Laplace in Bayesian Optimization [73.80101701431103]
  線形化ラプラス近似(LLA)はベイズニューラルネットワークの構築に有効で効率的であることが示されている。 ベイズ最適化におけるLLAの有用性について検討し,その性能と柔軟性を強調した。
  論文  参考訳（メタデータ） (2023-04-17T14:23:43Z)
• Generalizing Bayesian Optimization with Decision-theoretic Entropies [102.82152945324381]
  統計的決定論の研究からシャノンエントロピーの一般化を考える。 まず,このエントロピーの特殊なケースがBO手順でよく用いられる獲得関数に繋がることを示す。 次に、損失に対する選択肢の選択が、どのようにして柔軟な獲得関数の族をもたらすかを示す。
  論文  参考訳（メタデータ） (2022-10-04T04:43:58Z)
• Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
  統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。 本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
  論文  参考訳（メタデータ） (2022-08-29T16:16:22Z)
• Inference on Strongly Identified Functionals of Weakly Identified Functions [71.42652863687117]
  本研究では,ニュアンス関数が存在しない場合でも,関数を強く識別するための新しい条件について検討する。 本稿では,プライマリおよびデバイアスのニュアンス関数に対するペナル化ミニマックス推定器を提案する。
  論文  参考訳（メタデータ） (2022-08-17T13:38:31Z)
• Minimax Kernel Machine Learning for a Class of Doubly Robust Functionals [16.768606469968113]
  もともと導入された二重頑健なモーメント関数のクラスを考える(Robins et al., 2008)。 このモーメント関数は、ニュアンス関数の推定方程式の構築に使用できることを実証する。 ニュアンス関数の収束速度は、統計学習理論の現代的な手法を用いて解析される。
  論文  参考訳（メタデータ） (2021-04-07T05:52:15Z)
• Oblivious Data for Fairness with Kernels [1.599072005190786]
  感度・非感度特性が利用できる場合のアルゴリズムフェアネスの問題について検討する。 このような不愉快な特徴を生成するための重要な要素は、ヒルベルト空間評価条件予測である。 本稿では,プラグインアプローチを提案し,推定誤差の制御方法を示す。
  論文  参考訳（メタデータ） (2020-02-07T16:59:24Z)

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。