論文の概要: NLP Sampling: Combining MCMC and NLP Methods for Diverse Constrained Sampling

• arxiv url: http://arxiv.org/abs/2407.03035v1
• Date: Wed, 3 Jul 2024 11:55:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-04 14:26:01.211739
• Title: NLP Sampling: Combining MCMC and NLP Methods for Diverse Constrained Sampling
• Title（参考訳）: NLPサンプリング:分散制約サンプリングのためのMCMC法とNLP法の組み合わせ
• Authors: Marc Toussaint, Cornelius V. Braun, Joaquim Ortiz-Haro,
• Abstract要約: 本研究では,各分野からの手法統合のためのフレームワークとして,2段階の手法を再起動するファミリを提案し,解析的およびロボット操作計画問題について評価する。 本稿では,ラグランジュパラメータの役割,グローバルサンプリング,ディフューズドNLPとそれに対応するモデルベースデノナイズサンプリングのアイデアなど,いくつかの概念的議論を行う。
• 参考スコア（独自算出の注目度）: 17.315583101484147
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating diverse samples under hard constraints is a core challenge in many areas. With this work we aim to provide an integrative view and framework to combine methods from the fields of MCMC, constrained optimization, as well as robotics, and gain insights in their strengths from empirical evaluations. We propose NLP Sampling as a general problem formulation, propose a family of restarting two-phase methods as a framework to integrated methods from across the fields, and evaluate them on analytical and robotic manipulation planning problems. Complementary to this, we provide several conceptual discussions, e.g. on the role of Lagrange parameters, global sampling, and the idea of a Diffused NLP and a corresponding model-based denoising sampler.
• Abstract（参考訳）: 厳しい制約の下で多様なサンプルを生成することは、多くの分野において重要な課題である。 本研究は,MCMCの分野,制約付き最適化,ロボット工学などの手法を組み合わせるための統合的視点と枠組みを提供することを目標とし,実証的な評価からその強度の洞察を得ることを目的とする。 一般問題の定式化としてNLPサンプリングを提案し、各分野からの手法統合のためのフレームワークとして2段階の手法を再起動するファミリーを提案し、解析的およびロボット操作計画問題において評価する。 これに補完して,ラグランジュパラメータの役割,グローバルサンプリング,ディフューズドNLPとそれに対応するモデルベースデノジングサンプリングのアイデアなど,いくつかの概念的な議論を行う。

関連論文リスト

• Constrained Reinforcement Learning with Average Reward Objective: Model-Based and Model-Free Algorithms [34.593772931446125]
  モノグラフは、平均報酬決定過程(MDPs)の文脈内で制約された様々なモデルベースおよびモデルフリーアプローチの探索に焦点を当てている このアルゴリズムは制約付きMDPの解法として検討されている。
  論文  参考訳（メタデータ） (2024-06-17T12:46:02Z)
• Finite-Time Convergence and Sample Complexity of Actor-Critic Multi-Objective Reinforcement Learning [20.491176017183044]
  本稿では多目的強化学習(MORL)問題に取り組む。 MOACと呼ばれる革新的なアクター批判アルゴリズムを導入し、競合する報酬信号間のトレードオフを反復的に行うことでポリシーを見出す。
  論文  参考訳（メタデータ） (2024-05-05T23:52:57Z)
• Query-Efficient Correlation Clustering with Noisy Oracle [18.6999949314543]
  我々は、クラスタ化すべき$n$要素を持つ一般的なクラスタリング環境について研究する。 本稿では,Y Combinatorial Multi-Armed Banditsにおける純粋探索のパラダイムに根ざしたオンライン学習問題の2つの新しい定式化を提案する。
  論文  参考訳（メタデータ） (2024-02-02T13:31:24Z)
• Sample-Efficient Multi-Agent RL: An Optimization Perspective [103.35353196535544]
  一般関数近似に基づく汎用マルコフゲーム(MG)のためのマルチエージェント強化学習(MARL)について検討した。 汎用MGに対するマルチエージェントデカップリング係数(MADC)と呼ばれる新しい複雑性尺度を導入する。 我々のアルゴリズムは既存の研究に匹敵するサブリニアな後悔を与えることを示す。
  論文  参考訳（メタデータ） (2023-10-10T01:39:04Z)
• Optimizing Solution-Samplers for Combinatorial Problems: The Landscape of Policy-Gradient Methods [52.0617030129699]
  本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。 我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。 本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
  論文  参考訳（メタデータ） (2023-10-08T23:39:38Z)
• Learning Rate Free Sampling in Constrained Domains [21.853333421463603]
  我々は、完全に学習率の低い制約付き領域をサンプリングするための新しい粒子ベースのアルゴリズム一式を導入する。 我々は,本アルゴリズムの性能を,単純度に基づくターゲットからのサンプリングを含む,様々な数値的な例で示す。
  論文  参考訳（メタデータ） (2023-05-24T09:31:18Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• Revisiting the Sample Complexity of Sparse Spectrum Approximation of Gaussian Processes [60.479499225746295]
  本稿では,ガウス過程に対して,パラメータ空間全体に対して同時に保持可能な保証付きスケーラブルな近似を導入する。 我々の近似は、スパーススペクトルガウス過程(SSGP)のための改良されたサンプル複雑性解析から得られる。
  論文  参考訳（メタデータ） (2020-11-17T05:41:50Z)
• Planning in Markov Decision Processes with Gap-Dependent Sample Complexity [48.98199700043158]
  マルコフ決定過程における計画のための新しいトラジェクトリに基づくモンテカルロ木探索アルゴリズム MDP-GapE を提案する。 我々は, MDP-GapE に要求される生成モデルに対する呼び出し回数の上限を証明し, 確率の高い準最適動作を同定する。
  論文  参考訳（メタデータ） (2020-06-10T15:05:51Z)
• The Simulator: Understanding Adaptive Sampling in the Moderate-Confidence Regime [52.38455827779212]
  エミュレータと呼ばれる適応サンプリングを解析するための新しい手法を提案する。 適切なログファクタを組み込んだトップk問題の最初のインスタンスベースの下位境界を証明します。 我々の新しい分析は、後者の問題に対するこの種の最初のエミュレータであるベストアームとトップkの識別に、シンプルでほぼ最適であることを示した。
  論文  参考訳（メタデータ） (2017-02-16T23:42:02Z)

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。