論文の概要: Bayesian Binary Search

• arxiv url: http://arxiv.org/abs/2410.01771v1
• Date: Wed, 2 Oct 2024 17:28:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-04 15:24:19.009005
• Title: Bayesian Binary Search
• Title（参考訳）: Bayesian Binary Search
• Authors: Vikash Singh, Matthew Khanzadeh, Vincent Davis, Harrison Rush, Emanuele Rossi, Jesse Shrader, Pietro Lio,
• Abstract要約: 本稿では,古典的二分探索/二分法アルゴリズムBBSの確率的変種について述べる。 BBSは、探索空間の確率密度を推定し、従来の中間点ではなく確率密度に基づいて二分ステップを分割するように修正する。 我々は,さまざまな分布にまたがるシミュレーションデータと,Bitcoin Lightning Network内のチャネルバランスを探索する実世界のバイナリ検索ユースケースにおいて,BBSを使用することによる大幅な効率向上を示す。
• 参考スコア（独自算出の注目度）: 5.292593801475208
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present Bayesian Binary Search (BBS), a novel probabilistic variant of the classical binary search/bisection algorithm. BBS leverages machine learning/statistical techniques to estimate the probability density of the search space and modifies the bisection step to split based on probability density rather than the traditional midpoint, allowing for the learned distribution of the search space to guide the search algorithm. Search space density estimation can flexibly be performed using supervised probabilistic machine learning techniques (e.g., Gaussian process regression, Bayesian neural networks, quantile regression) or unsupervised learning algorithms (e.g., Gaussian mixture models, kernel density estimation (KDE), maximum likelihood estimation (MLE)). We demonstrate significant efficiency gains of using BBS on both simulated data across a variety of distributions and in a real-world binary search use case of probing channel balances in the Bitcoin Lightning Network, for which we have deployed the BBS algorithm in a production setting.
• Abstract（参考訳）: 本稿では,古典的二分探索/二分探索アルゴリズムの新しい確率的変種であるBayesian Binary Search(BBS)を提案する。 BBSは、機械学習/統計手法を活用して、探索空間の確率密度を推定し、従来の中間点ではなく確率密度に基づいて分岐ステップを修正し、探索空間の学習分布が探索アルゴリズムを導くことを可能にする。 探索空間密度推定は、教師付き確率的機械学習技術(例えば、ガウス過程回帰、ベイズニューラルネットワーク、量子回帰)または教師なし学習アルゴリズム(例えば、ガウス混合モデル、カーネル密度推定(KDE)、最大推定(MLE))を用いて柔軟に行うことができる。 我々は,さまざまなディストリビューションにまたがるシミュレーションデータと,BBSアルゴリズムを実運用環境にデプロイしたBitcoin Lightning Network内のチャネルバランスを探索する実世界のバイナリ検索ユースケースの両方で,BBSを使用することによる大幅な効率向上を実証した。

関連論文リスト

• Fast, accurate and lightweight sequential simulation-based inference using Gaussian locally linear mappings [0.820217860574125]
  シミュレーションベース推論(SBI)の代替として,確率と後部分布の両方を近似する手法を提案する。 提案手法は,マルチモーダル後部であっても,最先端NNベースのSBI法と比較して正確な後部推測を導出する。 本研究は,SBI文献から得られたいくつかのベンチマークモデルと,mRNAトランスフェクション後の翻訳動態の生物学的モデルについて述べる。
  論文  参考訳（メタデータ） (2024-03-12T09:48:17Z)
• Classified as unknown: A novel Bayesian neural network [0.0]
  完全連結ニューラルネットワークのための効率の良いベイズ学習アルゴリズムを開発した。 多層パーセプトロンから多層パーセプトロンへの二元分類のための単一パーセプトロンのアルゴリズムを一般化する。
  論文  参考訳（メタデータ） (2023-01-31T04:27:09Z)
• Fast Computation of Optimal Transport via Entropy-Regularized Extragradient Methods [75.34939761152587]
  2つの分布間の最適な輸送距離の効率的な計算は、様々な応用を促進するアルゴリズムとして機能する。 本稿では,$varepsilon$加法精度で最適な輸送を計算できるスケーラブルな一階最適化法を提案する。
  論文  参考訳（メタデータ） (2023-01-30T15:46:39Z)
• Generalized Differentiable RANSAC [95.95627475224231]
  $nabla$-RANSACは、ランダム化された堅牢な推定パイプライン全体を学ぶことができる、微分可能なRANSACである。 $nabla$-RANSACは、精度という点では最先端のシステムよりも優れているが、精度は低い。
  論文  参考訳（メタデータ） (2022-12-26T15:13:13Z)
• Distributional Gaussian Processes Layers for Out-of-Distribution Detection [18.05109901753853]
  ディープニューラルネットワークに依存する分布外検出モデルが、医用画像の領域シフトを検出するのに適しているかどうかは不明だ。 本稿では,ワッサーシュタイン2空間で動作するガウス過程を組み込んだ階層的畳み込みガウス過程に対するパラメータ効率のよいベイズ層を提案する。 我々の不確実性推定は、以前のベイズネットワークの能力を上回る分布外検出をもたらす。
  論文  参考訳（メタデータ） (2022-06-27T14:49:48Z)
• Scaling Structured Inference with Randomization [64.18063627155128]
  本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。 我々の手法は古典的DPベースの推論に広く適用できる。 また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-12-07T11:26:41Z)
• Density Ratio Estimation via Infinitesimal Classification [85.08255198145304]
  そこで我々は, DRE-inftyを提案する。 DRE-inftyは, 密度比推定(DRE)を, より簡単なサブプロブレムに還元する手法である。 モンテカルロ法にインスパイアされ、中間ブリッジ分布の無限連続体を介して2つの分布の間を滑らかに補間する。 提案手法は,複雑な高次元データセット上での相互情報推定やエネルギーベースモデリングなどの下流タスクにおいて良好に動作することを示す。
  論文  参考訳（メタデータ） (2021-11-22T06:26:29Z)
• Deep learning via message passing algorithms based on belief propagation [2.931240348160871]
  本稿では,局所的なエントロピー分布に偏りを持つ強化場を有するBPベースのメッセージパッシングアルゴリズムのファミリについて述べる。 これらのアルゴリズムは、SGDにインスパイアされたソリューションに匹敵するパフォーマンスで、離散重みとアクティベーションを持つ多層ニューラルネットワークをトレーニングすることができる。
  論文  参考訳（メタデータ） (2021-10-27T16:52:26Z)
• Density-Based Clustering with Kernel Diffusion [59.4179549482505]
  単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。 局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
  論文  参考訳（メタデータ） (2021-10-11T09:00:33Z)
• Privacy-Preserving Object Detection & Localization Using Distributed Machine Learning: A Case Study of Infant Eyeblink Conditioning [1.3022864665437273]
  オブジェクト検出によく使用される2つのアルゴリズムのスケーラブルな分散学習バージョンについて検討する。 医療分野における両アルゴリズムの適用について,心理学・神経科学のパラダイムを用いて検討した。
  論文  参考訳（メタデータ） (2020-10-14T17:33:28Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。