論文の概要: CO-BED: Information-Theoretic Contextual Optimization via Bayesian Experimental Design

• arxiv url: http://arxiv.org/abs/2302.14015v1
• Date: Mon, 27 Feb 2023 18:14:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-28 14:23:05.471436
• Title: CO-BED: Information-Theoretic Contextual Optimization via Bayesian Experimental Design
• Title（参考訳）: CO-BED:ベイズ実験設計による情報理論文脈最適化
• Authors: Desi R. Ivanova, Joel Jennings, Tom Rainforth, Cheng Zhang, Adam Foster
• Abstract要約: CO-BEDは、情報理論の原理を用いて文脈実験を設計するためのモデルに依存しないフレームワークである。 その結果、CO-BEDは、幅広い文脈最適化問題に対して、汎用的で自動化されたソリューションを提供する。
• 参考スコア（独自算出の注目度）: 31.247108087199095
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We formalize the problem of contextual optimization through the lens of Bayesian experimental design and propose CO-BED -- a general, model-agnostic framework for designing contextual experiments using information-theoretic principles. After formulating a suitable information-based objective, we employ black-box variational methods to simultaneously estimate it and optimize the designs in a single stochastic gradient scheme. We further introduce a relaxation scheme to allow discrete actions to be accommodated. As a result, CO-BED provides a general and automated solution to a wide range of contextual optimization problems. We illustrate its effectiveness in a number of experiments, where CO-BED demonstrates competitive performance even when compared to bespoke, model-specific alternatives.
• Abstract（参考訳）: ベイズ実験設計のレンズを通して文脈最適化の問題を定式化し、情報理論の原理を用いて文脈実験を設計するための汎用的モデル非依存フレームワークであるコベッドを提案する。 適切な情報に基づく目的を定式化した後、ブラックボックス変分法を用いて同時に推定し、単一の確率勾配スキームで設計を最適化する。 さらに,離散的動作を許容する緩和スキームについても紹介する。 その結果、CO-BEDは、幅広い文脈最適化問題に対して、汎用的で自動化されたソリューションを提供する。 そこでは,CO-BEDが,モデル固有の代替案と比較しても,競争性能を示す実験を行った。

関連論文リスト

• 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)
• Probabilistic Bayesian optimal experimental design using conditional normalizing flows [2.7689411149700685]
  ベイズ最適実験設計(OED)は予算制約の下で最も有益な実験を行うことを目指している。 我々は,OED問題の解法を効率よく,スケーラブルで,実用的なアプリケーションに堅牢にするための,新しい共同最適化手法を提案する。 我々は,高次元(320$times 320)パラメータを高分解能,高次元(640$times 386)観測,および最も情報性の高い観測を選択するためのバイナリ設計を有する実用的MRI OED問題に対する性能提案手法を実証した。
  論文  参考訳（メタデータ） (2024-02-28T13:59:20Z)
• 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)
• 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)
• A Field Guide to Federated Optimization [161.3779046812383]
  フェデレートされた学習と分析は、分散化されたデータからモデル(あるいは統計)を協調的に学習するための分散アプローチである。 本稿では、フェデレート最適化アルゴリズムの定式化、設計、評価、分析に関する勧告とガイドラインを提供する。
  論文  参考訳（メタデータ） (2021-07-14T18:09:08Z)
• 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)
• Incorporating Expert Prior Knowledge into Experimental Design via Posterior Sampling [58.56638141701966]
  実験者は、グローバルな最適な場所に関する知識を得ることができる。 グローバル最適化に関する専門家の事前知識をベイズ最適化に組み込む方法は不明である。 効率の良いベイズ最適化手法は、大域的最適の後方分布の後方サンプリングによって提案されている。
  論文  参考訳（メタデータ） (2020-02-26T01:57:36Z)

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。