Fugu-MT 論文翻訳(概要): Orthogonal Bootstrap: Efficient Simulation of Input Uncertainty

論文の概要: Orthogonal Bootstrap: Efficient Simulation of Input Uncertainty

arxiv url: http://arxiv.org/abs/2404.19145v2
Date: Wed, 1 May 2024 02:10:51 GMT
ステータス: 処理完了
システム内更新日: 2024-05-02 10:59:25.976270
Title: Orthogonal Bootstrap: Efficient Simulation of Input Uncertainty
Title（参考訳）: 直交型ブートストラップ:入力不確かさの効率的なシミュレーション
Authors: Kaizhao Liu, Jose Blanchet, Lexing Ying, Yiping Lu,
Abstract要約: 我々は,必要なモンテカルロ複製数を削減できる textbfOrthogonal Bootstrap という新しい手法を提案する。理論的,数値的には,Orthogonal BootstrapはBootstrapの計算コストを大幅に削減し,経験的精度を向上し,構成間隔の同じ幅を維持する。
参考スコア（独自算出の注目度）: 12.43391454956318
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Bootstrap is a popular methodology for simulating input uncertainty. However, it can be computationally expensive when the number of samples is large. We propose a new approach called \textbf{Orthogonal Bootstrap} that reduces the number of required Monte Carlo replications. We decomposes the target being simulated into two parts: the \textit{non-orthogonal part} which has a closed-form result known as Infinitesimal Jackknife and the \textit{orthogonal part} which is easier to be simulated. We theoretically and numerically show that Orthogonal Bootstrap significantly reduces the computational cost of Bootstrap while improving empirical accuracy and maintaining the same width of the constructed interval.
Abstract（参考訳）: Bootstrapは入力の不確実性をシミュレートするための一般的な方法論です。しかし、サンプル数が多ければ計算コストがかかる可能性がある。そこで本稿では,モンテカルロ複製に必要な数を削減するための新しい手法として, textbf{Orthogonal Bootstrap}を提案する。 Infinitesimal Jackknife として知られる閉形式の結果を持つ \textit{non-orthogonal part} と、シミュレートが容易な \textit{orthogonal part} である。理論的,数値的には,Orthogonal BootstrapはBootstrapの計算コストを大幅に削減し,経験的精度を向上し,構成間隔の同じ幅を維持する。

関連論文リスト

Projection by Convolution: Optimal Sample Complexity for Reinforcement Learning in Continuous-Space MDPs [56.237917407785545]
本稿では,円滑なベルマン作用素を持つ連続空間マルコフ決定過程(MDP)の一般クラスにおいて,$varepsilon$-optimal Policyを学習する問題を考察する。我々のソリューションの鍵となるのは、調和解析のアイデアに基づく新しい射影技術である。我々の結果は、連続空間 MDP における2つの人気と矛盾する視点のギャップを埋めるものである。
論文参考訳（メタデータ） (2024-05-10T09:58:47Z)
Settling the Sample Complexity of Model-Based Offline Reinforcement Learning [50.5790774201146]
オフライン強化学習(RL)は、事前収集されたデータを用いて、さらなる探索を行わずに学習する。事前のアルゴリズムや分析は、最適なサンプルの複雑さに悩まされるか、サンプルの最適性に到達するために高いバーンインコストがかかるかのいずれかである。モデルベース(あるいは"プラグイン")アプローチは,バーンインコストを伴わずに,最小限のサンプル複雑性を実現することを実証する。
論文参考訳（メタデータ） (2022-04-11T17:26:19Z)
Minimax Optimal Quantization of Linear Models: Information-Theoretic Limits and Efficient Algorithms [59.724977092582535]
測定から学習した線形モデルの定量化の問題を考える。この設定の下では、ミニマックスリスクに対する情報理論の下限を導出する。本稿では,2層ReLUニューラルネットワークに対して,提案手法と上界を拡張可能であることを示す。
論文参考訳（メタデータ） (2022-02-23T02:39:04Z)
Centroid Approximation for Bootstrap [17.617944390196286]
ブートストラップは原理的かつ強力な頻繁な統計ツールだ不確実性定量化のための標準的なブートストラップ法は、理想的なブートストラップ分布を近似するために大規模なブートストラップサンプルを描く必要があるため、計算集約的である。本研究では, 最適なブートストラップ分布をより正確に近似するために, 高品質な「セントロイド」点集合を明示的に推定する効率的な手法を提案する。
論文参考訳（メタデータ） (2021-10-17T04:31:57Z)
Distributed Bootstrap for Simultaneous Inference Under High Dimensionality [24.19717678204432]
高次元大規模データに対する同時推論のための分散ブートストラップ法を提案する。この方法は、通信効率の高い脱バイアスラッソに基づく $ell_infty$-norm 信頼領域を生成する。理論的には、統計的精度と効率性を保証する通信ラウンドの数よりも低いことを証明します。
論文参考訳（メタデータ） (2021-02-19T18:28:29Z)
Fine-Grained Gap-Dependent Bounds for Tabular MDPs via Adaptive Multi-Step Bootstrap [84.66885506098724]
本稿では,アダプティブ・マルチステップ・ブートストラップ (AMB) を用いた表層有限水平マルコフ決定過程 (MDP) のモデルフリーアルゴリズムを提案する。 AMBは,部分最適ギャップの逆の和でのみスケールする,ギャップ依存的後悔境界を達成できることを示す。また、AMB は $frac|Z_mul|Delta_min$ regret という追加の $frac|Z_mul|Delta_min$ を被っていることも示しています。
論文参考訳（メタデータ） (2021-02-09T07:46:34Z)
Trading off Accuracy for Speedup: Multiplier Bootstraps for Subgraph Counts [13.664682865991256]
カウント関数のための新しい乗算ブートストラップを提案する。高速で近似的な線形ブートストラップでは、$sqrtn$-consistent inference of the count functional is able to be able in certain computer regimes。二次ブートストラップでは,Edgeworth拡張が確立され,適切な空間条件下での高次精度が得られた。
論文参考訳（メタデータ） (2020-09-14T03:17:10Z)
Breaking the Sample Size Barrier in Model-Based Reinforcement Learning with a Generative Model [50.38446482252857]
本稿では、生成モデル(シミュレータ)へのアクセスを想定して、強化学習のサンプル効率について検討する。最初に$gamma$-discounted infinite-horizon Markov decision process (MDPs) with state space $mathcalS$ and action space $mathcalA$を考える。対象の精度を考慮すれば,モデルに基づく計画アルゴリズムが最小限のサンプルの複雑さを実現するのに十分であることを示す。
論文参考訳（メタデータ） (2020-05-26T17:53:18Z)
Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。 NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
論文参考訳（メタデータ） (2020-02-25T19:18:36Z)
Simultaneous Inference for Massive Data: Distributed Bootstrap [22.940967562381136]
オーバーサンプリングなしでマスタマシン上でブートストラップを行い、通常はcitekleiner2014scalable,sengupta2016subsampledという既存のメソッドで必要になります。本手法では, 繰り返しモデルの再適合を必要としないが, 作業機械から受信した勾配に対して, マスタマシンに乗算器ブートストラップのみを適用している。
論文参考訳（メタデータ） (2020-02-19T20:53:32Z)

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。