論文の概要: Concentration Bounds for Optimized Certainty Equivalent Risk Estimation

• arxiv url: http://arxiv.org/abs/2405.20933v1
• Date: Fri, 31 May 2024 15:32:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-03 13:58:40.595445
• Title: Concentration Bounds for Optimized Certainty Equivalent Risk Estimation
• Title（参考訳）: 最適不確実性等価リスク推定のための濃度境界
• Authors: Ayon Ghosh, L. A. Prashanth, Krishna Jagannathan,
• Abstract要約: 我々は,OCE(Optimized Certainty Equivalent)リスクを,独立かつ同一に分布するサンプルから推定する問題を考察する。 OCEの古典的なサンプル平均近似(SAA)については、平均二乗誤差と濃度境界を導出する(準ガウス性を想定して)。
• 参考スコア（独自算出の注目度）: 1.0923877073891446
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of estimating the Optimized Certainty Equivalent (OCE) risk from independent and identically distributed (i.i.d.) samples. For the classic sample average approximation (SAA) of OCE, we derive mean-squared error as well as concentration bounds (assuming sub-Gaussianity). Further, we analyze an efficient stochastic approximation-based OCE estimator, and derive finite sample bounds for the same. To show the applicability of our bounds, we consider a risk-aware bandit problem, with OCE as the risk. For this problem, we derive bound on the probability of mis-identification. Finally, we conduct numerical experiments to validate the theoretical findings.
• Abstract（参考訳）: 我々は,OCE(Optimized Certainty Equivalent)リスクを,独立かつ同一に分布するサンプルから推定する問題を考察する。 OCEの古典的なサンプル平均近似(SAA)については、平均二乗誤差と濃度境界(準ガウス性 (sub-Gaussianity) )を導出する。 さらに, 確率近似に基づく効率的なOCE推定器を解析し, 有限標本境界を導出する。 適用可能性を示すため,OCEをリスクとするリスク意識の盗賊問題を考える。 この問題に対して、我々は誤識別の確率に縛られる。 最後に,理論的結果を検証する数値実験を行った。

関連論文リスト

• Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
  モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。 本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
  論文  参考訳（メタデータ） (2023-12-07T15:55:58Z)
• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• Bounding Box-based Multi-objective Bayesian Optimization of Risk Measures under Input Uncertainty [21.056363101777052]
  我々は,入力不確実性(IU)の存在下でのブラックボックス関数のリスク測定によって定義されるパレートフロント(PF)を効率的に同定する,新しい多目的ベイズ最適化(MOBO)手法を提案する。 提案手法の基本的な考え方は,ブラックボックス関数に対するガウス過程(GP)モデルを仮定し,GPモデルを用いたリスク対策のための高確率バウンディングボックスを構築することである。 ベイズリスク、最悪のケースリスク、そして値といった様々なリスク対策に対して、アルゴリズムは高い確率で有限個の反復で任意の精度の解を返すことができることを証明した。
  論文  参考訳（メタデータ） (2023-01-27T08:25:45Z)
• Optimal variance-reduced stochastic approximation in Banach spaces [114.8734960258221]
  可分バナッハ空間上で定義された収縮作用素の定点を推定する問題について検討する。 演算子欠陥と推定誤差の両方に対して漸近的でない境界を確立する。
  論文  参考訳（メタデータ） (2022-01-21T02:46:57Z)
• Learning to Estimate Without Bias [57.82628598276623]
  ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。 本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。 BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
  論文  参考訳（メタデータ） (2021-10-24T10:23:51Z)
• Keep it Tighter -- A Story on Analytical Mean Embeddings [0.6445605125467574]
  カーネル技術は、データサイエンスにおいて最も人気があり柔軟なアプローチの一つである。 平均埋め込みは、最大平均不一致(MMD)と呼ばれる分岐測度をもたらす。 本稿では,基礎となる分布の1つの平均埋め込みが解析的に利用可能である場合のMDD推定の問題に焦点をあてる。
  論文  参考訳（メタデータ） (2021-10-15T21:29:27Z)
• Outlier Robust Mean Estimation with Subgaussian Rates via Stability [46.03021473600576]
  本研究では,ロバストなアウトリール高次元平均推定問題について検討する。 外乱平均推定のために, ガウス平均を用いた第1次計算効率を得る。
  論文  参考訳（メタデータ） (2020-07-30T17:33:03Z)
• Learning Bounds for Risk-sensitive Learning [86.50262971918276]
  リスクに敏感な学習では、損失のリスク・アバース(またはリスク・シーキング)を最小化する仮説を見つけることを目的としている。 最適化された確実性等価性によって最適性を記述するリスク感応学習スキームの一般化特性について検討する。
  論文  参考訳（メタデータ） (2020-06-15T05:25:02Z)
• Thompson Sampling Algorithms for Mean-Variance Bandits [97.43678751629189]
  我々は平均分散MABのためのトンプソンサンプリング型アルゴリズムを開発した。 我々はまた、ガウシアンとベルヌーイの盗賊に対する包括的後悔の分析も提供する。 我々のアルゴリズムは、全てのリスク許容度に対して既存のLCBベースのアルゴリズムを著しく上回っている。
  論文  参考訳（メタデータ） (2020-02-01T15:33:50Z)

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。