論文の概要: Probabilistic Bayesian optimal experimental design using conditional
normalizing flows
- arxiv url: http://arxiv.org/abs/2402.18337v1
- Date: Wed, 28 Feb 2024 13:59:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-29 14:43:42.292262
- Title: Probabilistic Bayesian optimal experimental design using conditional
normalizing flows
- Title（参考訳）: 条件付き正規化流を用いた確率ベイズ最適設計
- Authors: Rafael Orozco, Felix J. Herrmann, Peng Chen
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.7689411149700685
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bayesian optimal experimental design (OED) seeks to conduct the most
informative experiment under budget constraints to update the prior knowledge
of a system to its posterior from the experimental data in a Bayesian
framework. Such problems are computationally challenging because of (1)
expensive and repeated evaluation of some optimality criterion that typically
involves a double integration with respect to both the system parameters and
the experimental data, (2) suffering from the curse-of-dimensionality when the
system parameters and design variables are high-dimensional, (3) the
optimization is combinatorial and highly non-convex if the design variables are
binary, often leading to non-robust designs. To make the solution of the
Bayesian OED problem efficient, scalable, and robust for practical
applications, we propose a novel joint optimization approach. This approach
performs simultaneous (1) training of a scalable conditional normalizing flow
(CNF) to efficiently maximize the expected information gain (EIG) of a jointly
learned experimental design (2) optimization of a probabilistic formulation of
the binary experimental design with a Bernoulli distribution. We demonstrate
the performance of our proposed method for a practical MRI data acquisition
problem, one of the most challenging Bayesian OED problems that has
high-dimensional (320 $\times$ 320) parameters at high image resolution,
high-dimensional (640 $\times$ 386) observations, and binary mask designs to
select the most informative observations.
- Abstract（参考訳）: ベイジアン最適実験設計(OED)は、ベイジアンフレームワークの実験データから、システムの事前知識を後方に更新するための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。
このような問題は,(1) システムパラメータと設計変数が高次元である場合,(2) システムパラメータと設計変数の呪いの次元性に苦しむ,(2) 設計変数が二元的であれば,最適化は相補的かつ非凸的であり,しばしば非破壊設計につながるため,コストが高く繰り返し評価されるため,計算的に困難である。
ベイジアン OED 問題の解法を効率よく,スケーラブルで,実用的にも堅牢にするために,我々は新しい共同最適化手法を提案する。
本手法は,(1)スケーラブル条件正規化フロー(cnf)の同時学習を行い,共同学習実験設計の期待情報ゲイン(eig)を効率良く最大化すること,(2)ベルヌーイ分布を用いた2次実験設計の確率的定式化の最適化を行う。
我々は,高次元(320$\times$320)パラメータの高解像度化,高次元(640$\times$386)観測,および最も情報性の高い観測を行うための2値マスク設計など,最も困難なベイズOED問題の1つである,実用的なMRIデータ取得問題に対する提案手法の性能を実証する。
関連論文リスト
- Optimal Adaptive Experimental Design for Estimating Treatment Effect [14.088972921434761]
本稿では,治療効果を推定する際の最適精度を決定するための基本的な問題に対処する。
二重ロバストな手法の概念を逐次実験設計に取り入れることで、最適推定問題をオンラインバンディット学習問題としてモデル化する。
本稿では,バンディットアルゴリズム設計と適応統計的推定の両方のツールとアイデアを用いて,一般的な低スイッチング適応実験フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-07T23:22:51Z) - BO4IO: A Bayesian optimization approach to inverse optimization with uncertainty quantification [5.031974232392534]
この研究はデータ駆動逆最適化(IO)に対処する。
目的は最適化モデルにおける未知のパラメータを、最適あるいは準最適と仮定できる観測された決定から推定することである。
論文 参考訳（メタデータ） (2024-05-28T06:52:17Z) - 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) - Uncertainty-Aware Testing-Time Optimization for 3D Human Pose Estimation [68.75387874066647]
本研究では3次元ポーズ推定のための不確実性認識テスト時間最適化フレームワークを提案する。
我々のアプローチは、Human3.6Mの4.5%という大きなマージンで、過去最高の結果を上回っている。
論文 参考訳（メタデータ） (2024-02-04T04:28:02Z) - CO-BED: Information-Theoretic Contextual Optimization via Bayesian
Experimental Design [31.247108087199095]
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。
論文 参考訳（メタデータ） (2023-02-27T18:14:13Z) - Synthetic Principal Component Design: Fast Covariate Balancing with
Synthetic Controls [16.449993388646277]
我々は,グローバル収束的で実用的な最適化アルゴリズムを開発した。
我々は,あるデータ生成プロセスから前処理データをサンプリングする場合に,実験設計のための最初のグローバルな最適性保証を確立する。
論文 参考訳（メタデータ） (2022-11-28T11:45:54Z) - 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) - 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) - Bilevel Optimization for Differentially Private Optimization in Energy
Systems [53.806512366696275]
本稿では,入力に敏感な制約付き最適化問題に対して,差分プライバシーを適用する方法について検討する。
本稿は, 自然仮定の下では, 大規模非線形最適化問題に対して, 双レベルモデルを効率的に解けることを示す。
論文 参考訳（メタデータ） (2020-01-26T20:15:28Z)
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。