論文の概要: Asymptotic Optimality of Myopic Ranking and Selection Procedures
- arxiv url: http://arxiv.org/abs/2211.14723v1
- Date: Sun, 27 Nov 2022 04:55:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 17:11:21.550011
- Title: Asymptotic Optimality of Myopic Ranking and Selection Procedures
- Title（参考訳）: ミオピックランキングと選択手順の漸近的最適性
- Authors: Yanwen Li, Siyang Gao, Zhongshun Shi
- Abstract要約: ランキング・アンド・セレクション(R&S)は離散イベント・ダイナミックシステムの研究において一般的なモデルである。
これは、各設計の平均が未知であり、サンプルで学ぶ必要がある有限集合から最良の設計を選択することを目的としている。
優れた経験的性能を持つ手順を開発し、その最適性を示す文献において、この問題に多大な研究努力が注がれている。
これらの取り組みにおいて,筋電図法が広く普及し,他のR&S法と同様に,これらの筋電図法を解析し,R&Sの最適条件を満たすことを証明する。
- 参考スコア（独自算出の注目度）: 3.383942690870476
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ranking and selection (R&S) is a popular model for studying discrete-event
dynamic systems. It aims to select the best design (the design with the largest
mean performance) from a finite set, where the mean of each design is unknown
and has to be learned by samples. Great research efforts have been devoted to
this problem in the literature for developing procedures with superior
empirical performance and showing their optimality. In these efforts, myopic
procedures were popular. They select the best design using a 'naive' mechanism
of iteratively and myopically improving an approximation of the objective
measure. Although they are based on simple heuristics and lack theoretical
support, they turned out highly effective, and often achieved competitive
empirical performance compared to procedures that were proposed later and shown
to be asymptotically optimal. In this paper, we theoretically analyze these
myopic procedures and prove that they also satisfy the optimality conditions of
R&S, just like some other popular R&S methods. It explains the good performance
of myopic procedures in various numerical tests, and provides good insight into
the structure and theoretical development of efficient R&S procedures.
- Abstract（参考訳）: ランキング・アンド・セレクション(R&S)は離散イベント・ダイナミックシステムの研究において一般的なモデルである。
最適な設計(最大の平均性能を持つ設計)を有限集合から選択することを目的としており、各設計の平均は未知であり、サンプルで学ぶ必要がある。
経験的性能に優れた手順を開発し,その最適性を示すための文献において,この課題に多大な研究が割かれてきた。
これらの努力の中で、明法が流行した。
彼らは、客観的測度の近似を反復的かつ神秘的に改善する「ナイーブ」メカニズムを用いて、最良の設計を選択する。
それらは単純なヒューリスティックに基づいており、理論的な支援を欠いているが、後に提案され、漸近的に最適であることが示されている手順と比較して非常に効果的で、しばしば競争的な経験的性能を達成した。
本稿では,これらのミオピック法を理論的に解析し,他のR&S法と同様に,R&Sの最適条件を満たすことを証明する。
種々の数値実験における筋電図法の性能について解説し、効率的なR&S法の構造と理論的発展についての知見を提供する。
関連論文リスト
- Model Uncertainty in Evolutionary Optimization and Bayesian Optimization: A Comparative Analysis [5.6787965501364335]
ブラックボックス最適化問題は、多くの現実世界のアプリケーションで一般的な問題である。
これらの問題はインプット・アウトプット・インタラクションを通じて内部動作へのアクセスなしに最適化する必要がある。
このような問題に対処するために2つの広く使われている勾配のない最適化手法が用いられている。
本稿では,2つの手法間のモデル不確実性の類似点と相違点を明らかにすることを目的とする。
論文 参考訳（メタデータ） (2024-03-21T13:59:19Z) - 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) - Cost-Sensitive Best Subset Selection for Logistic Regression: A
Mixed-Integer Conic Optimization Perspective [3.1468618177952785]
機械学習の主な課題は、透過的な予測を行うための最適なサブセットへの入力を削減できる解釈可能なモデルを設計することである。
混合整数コニック最適化の観点から,ロジスティック回帰のための最適特徴選択法を提案する。
これにより、異なる最適基数と予算制約のある特徴選択手順を体系的に評価できる。
論文 参考訳（メタデータ） (2023-10-09T07:13:40Z) - Photonic Structures Optimization Using Highly Data-Efficient Deep
Learning: Application To Nanofin And Annular Groove Phase Masks [40.11095094521714]
メタ表面は、薄膜光学の領域における光特性の操作のための柔軟なフレームワークを提供する。
本研究の目的は,これらのデバイスに対するサロゲート最適化フレームワークの導入である。
本フレームワークは、天文高コントラストイメージングへの応用に適した2種類の渦位相マスク(VPM)の開発に応用される。
論文 参考訳（メタデータ） (2023-09-05T07:19:14Z) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳（メタデータ） (2022-10-27T01:58:10Z) - Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
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。
論文 参考訳（メタデータ） (2022-10-07T02:12:34Z) - Efficient Estimation in NPIV Models: A Comparison of Various Neural
Networks-Based Estimators [1.4000007799304268]
半非パラメトリックインスツルメンタル変数(NPIV)モデルにおけるニューラルネットワーク(ANN)の計算性能について検討する。
我々は予測の効率的な推定に焦点をあて、未知の関数を近似するためにANNを使用する。
複雑な設計における有限サンプル性能を比較する大規模なモンテカルロ実験を行う。
論文 参考訳（メタデータ） (2021-10-13T15:00:33Z) - An AI-Assisted Design Method for Topology Optimization Without
Pre-Optimized Training Data [68.8204255655161]
トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。
設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
論文 参考訳（メタデータ） (2020-12-11T14:33:27Z) - Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
バイレベル最適化は多くの機械学習問題に対するツールである。
Stoc-BiO という新しい確率効率勾配推定器を提案する。
論文 参考訳（メタデータ） (2020-10-15T18:09:48Z) - Bayesian Optimization for Selecting Efficient Machine Learning Models [53.202224677485525]
本稿では,予測効率とトレーニング効率の両面において,モデルを協調最適化するための統一ベイズ最適化フレームワークを提案する。
レコメンデーションタスクのためのモデル選択の実験は、この方法で選択されたモデルがモデルのトレーニング効率を大幅に改善することを示している。
論文 参考訳（メタデータ） (2020-08-02T02:56:30Z) - Descending through a Crowded Valley - Benchmarking Deep Learning
Optimizers [29.624308090226375]
本研究は,これらの逸話を,少なくとも証拠に裏付けられた逸話に置き換えることを目的としている。
そのために、特に人気のある15のディープラーニングの、広範囲で標準化されたベンチマークを実行します。
我々のオープンソースの成果は、新しい最適化手法のより有意義な評価のために、挑戦的でよく調整されたベースラインとして利用可能である。
論文 参考訳（メタデータ） (2020-07-03T08:19:36Z)
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。