論文の概要: Active Learning for Level Set Estimation Using Randomized Straddle Algorithms

• arxiv url: http://arxiv.org/abs/2408.03144v1
• Date: Tue, 6 Aug 2024 12:39:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-07 14:07:58.212246
• Title: Active Learning for Level Set Estimation Using Randomized Straddle Algorithms
• Title（参考訳）: ランダム化ストラドルアルゴリズムを用いたレベルセット推定のためのアクティブラーニング
• Authors: Yu Inatsu, Shion Takeno, Kentaro Kutsukake, Ichiro Takeuchi,
• Abstract要約: 本稿では,関数が与えられたしきい値の上(または下)に値を取る入力点の集合を同定する新しい手法を提案する。 提案手法の信頼性パラメータは,反復数や候補点に依存しず,保守的でないという利点がある。
• 参考スコア（独自算出の注目度）: 18.96269063427081
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Level set estimation (LSE), the problem of identifying the set of input points where a function takes value above (or below) a given threshold, is important in practical applications. When the function is expensive-to-evaluate and black-box, the \textit{straddle} algorithm, which is a representative heuristic for LSE based on Gaussian process models, and its extensions having theoretical guarantees have been developed. However, many of existing methods include a confidence parameter $\beta^{1/2}_t$ that must be specified by the user, and methods that choose $\beta^{1/2}_t$ heuristically do not provide theoretical guarantees. In contrast, theoretically guaranteed values of $\beta^{1/2}_t$ need to be increased depending on the number of iterations and candidate points, and are conservative and not good for practical performance. In this study, we propose a novel method, the \textit{randomized straddle} algorithm, in which $\beta_t$ in the straddle algorithm is replaced by a random sample from the chi-squared distribution with two degrees of freedom. The confidence parameter in the proposed method has the advantages of not needing adjustment, not depending on the number of iterations and candidate points, and not being conservative. Furthermore, we show that the proposed method has theoretical guarantees that depend on the sample complexity and the number of iterations. Finally, we confirm the usefulness of the proposed method through numerical experiments using synthetic and real data.
• Abstract（参考訳）: レベルセット推定(LSE)は、ある関数が与えられたしきい値以上の値を取る入力点の集合を識別する問題であり、実際的な応用において重要である。 関数が高価でブラックボックスである場合、ガウス過程モデルに基づくLSEの代表的なヒューリスティックである \textit{straddle} アルゴリズムが開発され、理論的保証を持つ拡張が開発された。 しかし、既存のメソッドの多くは、ユーザが指定しなければならない信頼パラメータ $\beta^{1/2}_t$ や、$\beta^{1/2}_t$ をヒューリスティックに選択したメソッドは理論的保証を提供していない。 対照的に、理論的に保証された$\beta^{1/2}_t$の値は、反復数や候補点の数によって増大する必要がある。 そこで本研究では,ストラドルアルゴリズムにおける$\beta_t$を,2自由度を持つカイ二乗分布からランダムなサンプルに置き換える,新しい手法である「textit{randomized straddle} アルゴリズム」を提案する。 提案手法の信頼性パラメータは,反復数や候補点に依存しず,保守的でないという利点がある。 さらに,提案手法は,サンプルの複雑さと反復回数に依存する理論的保証を有することを示す。 最後に,合成データと実データを用いた数値実験により,提案手法の有用性を確認した。

関連論文リスト

• Online non-parametric likelihood-ratio estimation by Pearson-divergence functional minimization [55.98760097296213]
  iid 観測のペア $(x_t sim p, x'_t sim q)$ が時間の経過とともに観測されるような,オンラインな非パラメトリック LRE (OLRE) のための新しいフレームワークを提案する。 本稿では,OLRE法の性能に関する理論的保証と,合成実験における実証的検証について述べる。
  論文  参考訳（メタデータ） (2023-11-03T13:20:11Z)
• Distribution-Free Inference for the Regression Function of Binary Classification [0.0]
  本稿では,ユーザの信頼度レベルに対する真の回帰関数に対して,正確に,分布自由で,漸近的に保証されていない信頼領域を構築するための再サンプリングフレームワークを提案する。 構築された信頼領域は強い整合性、すなわち、任意の偽モデルが確率 1 で長期にわたって除外されることが証明された。
  論文  参考訳（メタデータ） (2023-08-03T15:52:27Z)
• Maximum-Likelihood Inverse Reinforcement Learning with Finite-Time Guarantees [56.848265937921354]
  逆強化学習(IRL)は報酬関数と関連する最適ポリシーを回復することを目的としている。 IRLの多くのアルゴリズムは本質的にネスト構造を持つ。 我々は、報酬推定精度を損なわないIRLのための新しいシングルループアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-10-04T17:13:45Z)
• Quantum Goemans-Williamson Algorithm with the Hadamard Test and Approximate Amplitude Constraints [62.72309460291971]
  本稿では,n+1$ qubitsしか使用しないGoemans-Williamsonアルゴリズムの変分量子アルゴリズムを提案する。 補助量子ビット上で適切にパラメータ化されたユニタリ条件として目的行列を符号化することにより、効率的な最適化を実現する。 各種NPハード問題に対して,Goemans-Williamsonアルゴリズムの量子的効率的な実装を考案し,提案プロトコルの有効性を実証する。
  論文  参考訳（メタデータ） (2022-06-30T03:15:23Z)
• High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
  アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。 非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。 そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
  論文  参考訳（メタデータ） (2021-06-10T17:54:21Z)
• Byzantine-Resilient Non-Convex Stochastic Gradient Descent [61.6382287971982]
  敵対的レジリエントな分散最適化。 機械は独立して勾配を計算し 協力することができます 私達のアルゴリズムは新しい集中の技術およびサンプル複雑性に基づいています。 それは非常に実用的です:それはないときすべての前の方法の性能を改善します。 セッティングマシンがあります。
  論文  参考訳（メタデータ） (2020-12-28T17:19:32Z)
• Large-Scale Methods for Distributionally Robust Optimization [53.98643772533416]
  我々のアルゴリズムは、トレーニングセットのサイズとパラメータの数によらず、多くの評価勾配を必要とすることを証明している。 MNIST と ImageNet の実験により,本手法の 9-36 倍の効率性を持つアルゴリズムの理論的スケーリングが確認された。
  論文  参考訳（メタデータ） (2020-10-12T17:41:44Z)
• Differentiable Linear Bandit Algorithm [6.849358422233866]
  アッパー信頼境界は、線形多腕バンディット問題の最も一般的な方法である。 勾配上昇による信頼度を学習できる勾配推定器を導入する。 提案アルゴリズムは,腕の特徴の次元を$d$で,信頼度を$hatbeta$で学習したサイズを$tildemathcalO(hatbetasqrtdT)$上限とする。
  論文  参考訳（メタデータ） (2020-06-04T16:43:55Z)
• A New Randomized Primal-Dual Algorithm for Convex Optimization with Optimal Last Iterate Rates [16.54912614895861]
  我々は,非滑らかな制約付き凸最適化問題のクラスを解くために,新しいランダム化ブロック座標原始双対アルゴリズムを開発した。 我々は,一般凸性と強い凸性という2つのケースにおいて,アルゴリズムが最適収束率を達成することを証明した。 その結果,提案手法は異なる実験における性能向上に寄与していることがわかった。
  論文  参考訳（メタデータ） (2020-03-03T03:59:26Z)
• Stochastic Frank-Wolfe for Constrained Finite-Sum Minimization [30.980431848476925]
  線形予測・構造を一般化した制約付き有限滑らかサム最小化アルゴリズムを提案する。 提案手法は実装が簡単で,ステップサイズチューニングを必要としない。 オープンソースパッケージで検討されたすべてのメソッドの実装を提供する。
  論文  参考訳（メタデータ） (2020-02-27T00:47:21Z)

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。