論文の概要: A generalized likelihood-weighted optimal sampling algorithm for
rare-event probability quantification
- arxiv url: http://arxiv.org/abs/2310.14457v1
- Date: Sun, 22 Oct 2023 23:51:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 23:28:34.741237
- Title: A generalized likelihood-weighted optimal sampling algorithm for
rare-event probability quantification
- Title(参考訳): 希少確率定量化のための一般化確率重み付き最適サンプリングアルゴリズム
- Authors: Xianliang Gong, Yulin Pan
- Abstract要約: 本稿では,レアイベント統計を効率的に定量化するためのシーケンシャルサンプリングのための新しい取得関数を提案する。
さらに,モンテカルロにおける獲得関数の離散的最適化に重要な手順を開発する。
- 参考スコア(独自算出の注目度): 0.5439020425819
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we introduce a new acquisition function for sequential sampling
to efficiently quantify rare-event statistics of an input-to-response (ItR)
system with given input probability and expensive function evaluations. Our
acquisition is a generalization of the likelihood-weighted (LW) acquisition
that was initially designed for the same purpose and then extended to many
other applications. The improvement in our acquisition comes from the
generalized form with two additional parameters, by varying which one can
target and address two weaknesses of the original LW acquisition: (1) that the
input space associated with rare-event responses is not sufficiently stressed
in sampling; (2) that the surrogate model (generated from samples) may have
significant deviation from the true ItR function, especially for cases with
complex ItR function and limited number of samples. In addition, we develop a
critical procedure in Monte-Carlo discrete optimization of the acquisition
function, which achieves orders of magnitude acceleration compared to existing
approaches for such type of problems. The superior performance of our new
acquisition to the original LW acquisition is demonstrated in a number of test
cases, including some cases that were designed to show the effectiveness of the
original LW acquisition. We finally apply our method to an engineering example
to quantify the rare-event roll-motion statistics of a ship in a random sea.
- Abstract(参考訳): そこで本研究では,入力対応答(itr)システムのレアイベント統計を,入力確率と高価な機能評価で効率的に定量化する,逐次サンプリングのための新しい獲得関数を提案する。
我々の買収は、当初同じ目的で設計され、その後他の多くのアプリケーションに拡張された可能性重み付き(LW)買収の一般化である。
提案手法の改良は, 従来のLW獲得の2つの弱点を対象とし, 対処できる2つのパラメータを持つ一般化形式によるものである。(1) 希少応答に関連する入力空間がサンプリングにおいて十分にストレスを受けていないこと, (2) シュロゲートモデル(サンプルから生成される)が真の ItR 関数から大きく逸脱する可能性があること, 特に複雑な ItR 関数と限られたサンプル数の場合。
さらに,モンテカルロにおける離散的な獲得関数の最適化手法を開発し,そのような問題に対する既存手法と比較して,桁違いの高速化を実現する。
従来のLW買収に対する新たな買収の優れたパフォーマンスは、元のLW買収の有効性を示すために設計されたケースを含む、いくつかのテストケースで実証された。
本手法を工学例に適用し,ランダムな海における船舶の異例のロールモーション統計を定量化した。
関連論文リスト
- Rare Event Probability Learning by Normalizing Flows [27.34331961951239]
稀な事象は発生確率が低いことによって定義される。
本研究では,NOFISと呼ばれる重要度サンプリングの正規化を提案する。
NOFIS法の有効性は, 総合的な定性的可視化によって検証される。
論文 参考訳(メタデータ) (2023-10-29T21:59:33Z) - Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。
サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。
格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文 参考訳(メタデータ) (2022-12-12T15:06:32Z) - Balancing Bias and Variance for Active Weakly Supervised Learning [9.145168943972067]
現代のマルチインスタンス学習(MIL)モデルは、バッグレベルでの競争性能を達成する。
しかし、多くの重要なアプリケーションに欠かせないインスタンスレベルの予測は不十分である。
本稿では,インスタンスレベルの予測を促進することを目的とした,新しいディープサブセットを提案する。
複数の実世界のデータセット上で実施された実験は、最先端のインスタンスレベルの予測をはっきりと示している。
論文 参考訳(メタデータ) (2022-06-12T07:15:35Z) - Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
まず確率分布をモデル化し,そのモデルからサンプリングする。
これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
論文 参考訳(メタデータ) (2021-10-20T12:25:22Z) - Learnability of the output distributions of local quantum circuits [53.17490581210575]
2つの異なるオラクルモデルにおいて、量子回路Bornマシンの学習可能性について検討する。
我々はまず,超対数深度クリフォード回路の出力分布がサンプル効率良く学習できないという負の結果を示した。
より強力なオラクルモデル、すなわちサンプルに直接アクセスすると、局所的なクリフォード回路の出力分布は計算効率よくPACを学習可能であることを示す。
論文 参考訳(メタデータ) (2021-10-11T18:00:20Z) - Batch Active Learning at Scale [39.26441165274027]
バッチクエリをラベル付けオラクルに適応的に発行するバッチアクティブラーニングは、この問題に対処するための一般的なアプローチである。
本研究では,大規模なバッチ設定に着目した効率的な能動学習アルゴリズムを解析する。
本研究では,不確実性と多様性の概念を組み合わせたサンプリング手法について,従来より数桁大きなバッチサイズ(100K-1M)に容易にスケール可能であることを示す。
論文 参考訳(メタデータ) (2021-07-29T18:14:05Z) - Improving Sample and Feature Selection with Principal Covariates
Regression [0.0]
この目的に応用された2つの人気のあるサブセレクション方式に焦点をあてる。
対象情報を組み込むことで,教師付きタスクにおいてより優れた選択が可能となることを示す。
また、単純な教師付き学習モデルの側面を組み込むことで、より複雑なモデルの精度を向上させることも示します。
論文 参考訳(メタデータ) (2020-12-22T18:52:06Z) - Adaptive Sampling for Best Policy Identification in Markov Decision
Processes [79.4957965474334]
本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。
最先端アルゴリズムの利点を論じ、解説する。
論文 参考訳(メタデータ) (2020-09-28T15:22:24Z) - Multi-Scale Positive Sample Refinement for Few-Shot Object Detection [61.60255654558682]
Few-shot Object Detection (FSOD) は、ディテクターがトレーニングインスタンスをほとんど持たない未確認のクラスに適応するのに役立つ。
FSODにおけるオブジェクトスケールを拡張化するためのMPSR(Multi-scale Positive Sample Refinement)アプローチを提案する。
MPSRは、オブジェクトピラミッドとして多スケールの正のサンプルを生成し、様々なスケールで予測を洗練させる。
論文 参考訳(メタデータ) (2020-07-18T09:48:29Z) - Efficiently Sampling Functions from Gaussian Process Posteriors [76.94808614373609]
高速後部サンプリングのための簡易かつ汎用的なアプローチを提案する。
分離されたサンプルパスがガウス過程の後部を通常のコストのごく一部で正確に表現する方法を実証する。
論文 参考訳(メタデータ) (2020-02-21T14:03:16Z)
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。