Fugu-MT 論文翻訳(概要): Towards safe Bayesian optimization with Wiener kernel regression

論文の概要: Towards safe Bayesian optimization with Wiener kernel regression

arxiv url: http://arxiv.org/abs/2411.02253v2
Date: Tue, 26 Nov 2024 15:57:54 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-27 13:32:08.521340
Title: Towards safe Bayesian optimization with Wiener kernel regression
Title（参考訳）: Wienerカーネル回帰を用いた安全なベイズ最適化に向けて
Authors: Oleksii Molodchyk, Johannes Teutsch, Timm Faulwasser,
Abstract要約: 本稿では、最近提案されたWienerカーネル回帰に基づいて、新しいエラー境界を提案する。比較的穏やかな仮定の下では、提案された誤差境界は、文献に記録された境界よりも厳密であることを示す。提案手法の有効性を示す数値的な例を挙げる。
参考スコア（独自算出の注目度）: 0.6554326244334868
License:
Abstract: Bayesian Optimization (BO) is a data-driven strategy for minimizing/maximizing black-box functions based on probabilistic surrogate models. In the presence of safety constraints, the performance of BO crucially relies on tight probabilistic error bounds related to the uncertainty surrounding the surrogate model. For the case of Gaussian Process surrogates and Gaussian measurement noise, we present a novel error bound based on the recently proposed Wiener kernel regression. We prove that under rather mild assumptions, the proposed error bound is tighter than bounds previously documented in the literature which leads to enlarged safety regions. We draw upon a numerical example to demonstrate the efficacy of the proposed error bound in safe BO.
Abstract（参考訳）: ベイズ最適化(英: Bayesian Optimization、BO)は、確率的サロゲートモデルに基づくブラックボックス関数の最小化と最大化のためのデータ駆動型戦略である。安全制約が存在する場合、BOの性能は、サロゲートモデルを取り巻く不確実性に関連する厳密な確率的誤差境界に決定的に依存する。ガウス過程サロゲートとガウス測度雑音の場合、最近提案されたウィナー核回帰に基づく新しい誤差を提示する。比較的穏やかな仮定の下では、提案された誤差境界は、文献に記録された境界よりも厳密で、安全領域が拡大することを示している。提案手法の有効性を示す数値的な例を挙げる。

関連論文リスト

Continuous Bayesian Model Selection for Multivariate Causal Discovery [22.945274948173182]
現在の因果的発見アプローチは、構造的識別可能性を確保するために、限定的なモデル仮定や介入データへのアクセスを必要とする。近年の研究では、ベイズモデルの選択はより柔軟な仮定のために制限的モデリングを交換することで精度を大幅に向上させることができることが示されている。合成データセットと実世界のデータセットの両方において、我々のアプローチの競争力を実証する。
論文参考訳（メタデータ） (2024-11-15T12:55:05Z)
Information-Theoretic Safe Bayesian Optimization [59.758009422067005]
そこでは、未知の(安全でない)制約に反するパラメータを評価することなく、未知の関数を最適化することを目的としている。現在のほとんどのメソッドはドメインの離散化に依存しており、連続ケースに直接拡張することはできない。本稿では,GP後部を直接利用して,最も情報に富む安全なパラメータを識別する情報理論的安全な探索基準を提案する。
論文参考訳（メタデータ） (2024-02-23T14:31:10Z)
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)
Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文参考訳（メタデータ） (2023-10-20T10:20:45Z)
Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
論文参考訳（メタデータ） (2023-10-09T03:55:09Z)
Neural Operator Variational Inference based on Regularized Stein Discrepancy for Deep Gaussian Processes [23.87733307119697]
本稿では,深いガウス過程に対するニューラル演算子変分推論(NOVI)を提案する。 NOVIは、ニューラルジェネレータを使用してサンプリング装置を取得し、生成された分布と真の後部の間のL2空間における正規化スタインの離散性を最小化する。提案手法が提案するバイアスは定数で発散を乗算することで制御可能であることを示す。
論文参考訳（メタデータ） (2023-09-22T06:56:35Z)
Model-based Causal Bayesian Optimization [78.120734120667]
モデルに基づく因果ベイズ最適化(MCBO)を提案する。 MCBOは介入と逆のペアをモデリングするのではなく、完全なシステムモデルを学ぶ。標準的なベイズ最適化とは異なり、我々の取得関数は閉形式では評価できない。
論文参考訳（メタデータ） (2022-11-18T14:28:21Z)
Risk-averse Heteroscedastic Bayesian Optimization [45.12421486836736]
リスク回避型ヘテロセダスティックベイズ最適化アルゴリズム(RAHBO)を提案する。 RAHBOは、ハイリターンと低ノイズ分散の解を、ハエの騒音分布を学習しながら同定することを目的としている。単一のソリューションのみを識別しなければならないアプリケーションに対して、最終的な決定ポイントを報告するための堅牢なルールを提供します。
論文参考訳（メタデータ） (2021-11-05T17:38:34Z)
Gaussian Process Uniform Error Bounds with Unknown Hyperparameters for Safety-Critical Applications [71.23286211775084]
未知のハイパーパラメータを持つ設定において、ロバストなガウス過程の均一なエラー境界を導入する。提案手法はハイパーパラメータの空間における信頼領域を計算し,モデル誤差に対する確率的上限を求める。実験により、バニラ法やベイズ法よりもバニラ法の方がはるかに優れていることが示された。
論文参考訳（メタデータ） (2021-09-06T17:10:01Z)

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。