論文の概要: Automated Testing of Spatially-Dependent Environmental Hypotheses
through Active Transfer Learning
- arxiv url: http://arxiv.org/abs/2402.18064v3
- Date: Thu, 7 Mar 2024 11:21:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-08 16:48:44.870140
- Title: Automated Testing of Spatially-Dependent Environmental Hypotheses
through Active Transfer Learning
- Title（参考訳）: アクティブトランスファー学習による空間依存型環境仮説の自動テスト
- Authors: Nicholas Harrison, Nathan Wallace, Salah Sukkarieh
- Abstract要約: 本研究は,多タスクガウス過程と情報に基づく目的関数による伝達学習と能動的学習を組み合わせたものである。
提案手法の性能を合成データに対して評価し,複数の仮説を正しく評価した。
この手法は、中間的あるいは強い相関を示す仮説を同定し、活用することができ、最初の7つのサンプルの中で1.4--3.4の係数で予測誤差を減少させることができる。
- 参考スコア（独自算出の注目度）: 2.601262068492271
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The efficient collection of samples is an important factor in outdoor
information gathering applications on account of high sampling costs such as
time, energy, and potential destruction to the environment. Utilization of
available a-priori data can be a powerful tool for increasing efficiency.
However, the relationships of this data with the quantity of interest are often
not known ahead of time, limiting the ability to leverage this knowledge for
improved planning efficiency. To this end, this work combines transfer learning
and active learning through a Multi-Task Gaussian Process and an
information-based objective function. Through this combination it can explore
the space of hypothetical inter-quantity relationships and evaluate these
hypotheses in real-time, allowing this new knowledge to be immediately
exploited for future plans. The performance of the proposed method is evaluated
against synthetic data and is shown to evaluate multiple hypotheses correctly.
Its effectiveness is also demonstrated on real datasets. The technique is able
to identify and leverage hypotheses which show a medium or strong correlation
to reduce prediction error by a factor of 1.4--3.4 within the first 7 samples,
and poor hypotheses are quickly identified and rejected eventually having no
adverse effect.
- Abstract（参考訳）: サンプルの効率的な収集は、時間、エネルギー、環境破壊の可能性といった高いサンプリングコストを考慮した屋外情報収集アプリケーションにおいて重要な要素である。
利用可能なa-prioriデータの利用は、効率を上げるための強力なツールである。
しかし、このデータと関心の量との関係は、しばしば事前に分かっておらず、計画効率を向上させるためにこの知識を活用する能力を制限する。
この目的のために,多タスクガウス過程と情報に基づく客観関数による伝達学習と能動的学習を組み合わせる。
この組み合わせにより、仮説間量関係の空間を探索し、これらの仮説をリアルタイムで評価し、この新しい知識をすぐに将来の計画に活用することができる。
提案手法の性能を合成データに対して評価し,複数の仮説を正しく評価した。
その効果は実際のデータセットにも示される。
この手法は、中間的または強い相関を示す仮説を同定し、最初の7つのサンプルのうち1.4〜3.4の因子で予測誤差を減少させ、悪い仮説を迅速に同定し、最終的に悪影響を生じずに拒絶することができる。
関連論文リスト
- End-To-End Causal Effect Estimation from Unstructured Natural Language Data [23.484226791467478]
本研究では,大規模言語モデル(LLM)を用いて,多種多様なテキストデータをマイニングして,安価な因果効果推定を行う方法を示す。
NATURALは,LLMを用いて構築され,非構造化テキストのデータセット上で動作する因果効果推定器である。
この結果から、非構造化テキストデータは因果効果情報の豊富な情報源であり、NATURALはこのリソースを利用するための自動パイプラインへの第一歩であることを示唆した。
論文 参考訳（メタデータ） (2024-07-09T16:38:48Z) - Multi-Source Conformal Inference Under Distribution Shift [41.701790856201036]
複数のバイアスのあるデータソースを活用することにより,対象個体数の分布自由な予測区間を得るという課題を考察する。
対象集団および源集団における未観測結果の定量値に対する効率的な影響関数を導出する。
本稿では、効率向上のための重み付き情報ソースとバイアス低減のための重み付き非情報ソースに対するデータ適応戦略を提案する。
論文 参考訳（メタデータ） (2024-05-15T13:33:09Z) - Uncertainty for Active Learning on Graphs [70.44714133412592]
不確実性サンプリングは、機械学習モデルのデータ効率を改善することを目的とした、アクティブな学習戦略である。
予測の不確実性を超えた不確実性サンプリングをベンチマークし、他のアクティブラーニング戦略に対する大きなパフォーマンスギャップを強調します。
提案手法は,データ生成プロセスの観点から基幹的ベイズ不確実性推定法を開発し,不確実性サンプリングを最適クエリへ導く上での有効性を実証する。
論文 参考訳（メタデータ） (2024-05-02T16:50:47Z) - Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment
Effect Estimation [137.3520153445413]
下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。
我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。
研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
論文 参考訳（メタデータ） (2023-07-11T02:58:10Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳（メタデータ） (2023-06-09T08:30:51Z) - B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under
Hidden Confounding [51.74479522965712]
本稿では,B-Learnerと呼ばれるメタラーナーを提案する。
我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
論文 参考訳（メタデータ） (2023-04-20T18:07:19Z) - Causal Inference under Data Restrictions [0.0]
この論文は、不確実性とデータ制限の下での現代の因果推論に焦点を当てている。
これには、ネオアジュバント臨床試験、分散データネットワーク、堅牢な個別化意思決定へのアプリケーションが含まれる。
論文 参考訳（メタデータ） (2023-01-20T20:14:32Z) - Exploring the Trade-off between Plausibility, Change Intensity and
Adversarial Power in Counterfactual Explanations using Multi-objective
Optimization [73.89239820192894]
自動対物生成は、生成した対物インスタンスのいくつかの側面を考慮すべきである。
本稿では, 対実例生成のための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2022-05-20T15:02:53Z) - Adaptive Multi-Source Causal Inference [21.590496842692747]
対象個体群の因果的影響を推定するために,類似の因果的メカニズムを対象個体と共有する追加ソース・データセットを利用する。
我々は、成果、治療、共同設立者のモデリングを通じて、知識伝達の3つのレベルを提案する。
提案手法は,データソースとターゲット間のデータの相違を事前に知ることなく,対象個体群の因果関係を推定することができる。
論文 参考訳（メタデータ） (2021-05-31T11:02:37Z) - Offline Learning for Planning: A Summary [0.0]
自律的なエージェントの訓練は、しばしば、環境との高価で安全でない試行錯誤の相互作用を必要とする。
さまざまなタスクを実行するインテリジェントエージェントの記録された経験を含むデータセットは、インターネット上でアクセス可能である。
本稿では,最先端のオフライン学習ベースラインの開発を動機とするアイデアを要約する。
論文 参考訳（メタデータ） (2020-10-05T11:41:11Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳（メタデータ） (2020-06-14T01:15:00Z)
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。