論文の概要: Optimizing Input Data Collection for Ranking and Selection
- arxiv url: http://arxiv.org/abs/2502.16659v1
- Date: Sun, 23 Feb 2025 17:33:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-25 15:52:59.654085
- Title: Optimizing Input Data Collection for Ranking and Selection
- Title（参考訳）: ランク付けと選択のための入力データ収集の最適化
- Authors: Eunhye Song, Taeho Kim,
- Abstract要約: 予算が与えられた入力データとシミュレーションデータを収集する逐次サンプリングアルゴリズムを設計する。
サンプリング予算の増加に伴い,MPBの最適性の後方確率は指数速度で1つに収束することを示す。
シミュレーション出力平均予測を改善するため,カーネルリッジ回帰を用いてOSARを拡張した。
- 参考スコア（独自算出の注目度）: 2.3708672042234213
- License:
- Abstract: We study a ranking and selection (R&S) problem when all solutions share common parametric Bayesian input models updated with the data collected from multiple independent data-generating sources. Our objective is to identify the best system by designing a sequential sampling algorithm that collects input and simulation data given a budget. We adopt the most probable best (MPB) as the estimator of the optimum and show that its posterior probability of optimality converges to one at an exponential rate as the sampling budget increases. Assuming that the input parameters belong to a finite set, we characterize the $\epsilon$-optimal static sampling ratios for input and simulation data that maximize the convergence rate. Using these ratios as guidance, we propose the optimal sampling algorithm for R&S (OSAR) that achieves the $\epsilon$-optimal ratios almost surely in the limit. We further extend OSAR by adopting the kernel ridge regression to improve the simulation output mean prediction. This not only improves OSAR's finite-sample performance, but also lets us tackle the case where the input parameters lie in a continuous space with a strong consistency guarantee for finding the optimum. We numerically demonstrate that OSAR outperforms a state-of-the-art competitor.
- Abstract（参考訳）: 本稿では、複数の独立データ生成源から収集したデータと、共通パラメトリックベイズ入力モデルを共有する場合のランク付けと選択(R&S)問題について検討する。
本研究の目的は,予算が与えられた入力データとシミュレーションデータを収集する逐次サンプリングアルゴリズムを設計することで,最適なシステムを特定することである。
最適度推定器として最も確率の高いベスト (MPB) を採用し, サンプリング予算の増加に伴い, 最適性の後方確率が指数速度で収束することを示す。
入力パラメータが有限集合に属すると仮定すると、収束率を最大化する入力およびシミュレーションデータに対する$\epsilon$-optimal static sample ratioを特徴付ける。
これらの比をガイダンスとして, ほぼ確実に$\epsilon$-optimal ratiosを達成するR&S(OSAR)の最適サンプリングアルゴリズムを提案する。
シミュレーション出力平均予測を改善するためにカーネルリッジ回帰を採用することでOSARをさらに拡張する。
これにより、OSARの有限サンプル性能が向上するだけでなく、入力パラメータが連続空間にある場合にも、最適な値を見つけるための強い一貫性を保証することができる。
我々はOSARが最先端の競合より優れていることを数値的に示す。
関連論文リスト
- Parallel simulation for sampling under isoperimetry and score-based diffusion models [56.39904484784127]
データサイズが大きくなるにつれて、イテレーションコストの削減が重要な目標になります。
科学計算における初期値問題の並列シミュレーションの成功に触発されて,タスクをサンプリングするための並列Picard法を提案する。
本研究は,動力学に基づくサンプリング・拡散モデルの科学的計算におけるシミュレーション手法の潜在的利点を強調した。
論文 参考訳（メタデータ） (2024-12-10T11:50:46Z) - Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。
このような問題は医学、物理学、機械学習で発生する。
両種類の雑音下で提案アルゴリズムの収束保証を行う。
論文 参考訳（メタデータ） (2024-11-21T10:26:17Z) - Efficient Learning of POMDPs with Known Observation Model in Average-Reward Setting [56.92178753201331]
我々は,POMDPパラメータを信念に基づくポリシを用いて収集したサンプルから学習することのできる観測・認識スペクトル(OAS)推定手法を提案する。
提案するOAS-UCRLアルゴリズムに対して,OASプロシージャの整合性を示し,$mathcalO(sqrtT log(T)$の残差保証を証明した。
論文 参考訳（メタデータ） (2024-10-02T08:46:34Z) - Adaptive Selection of Sampling-Reconstruction in Fourier Compressed Sensing [13.775902519100075]
圧縮センシング(CS)は、ナイキストサンプリングの非効率性を克服するために出現している。
ディープラーニングベースの再構築は、最適化ベースの再構築に代わる有望な代替手段である。
論文 参考訳（メタデータ） (2024-09-18T06:51:29Z) - Stochastic optimization with arbitrary recurrent data sampling [2.1485350418225244]
最も一般的に使われているデータサンプリングアルゴリズムは、軽度な仮定の下にある。
特定のクラスの繰り返し最適化アルゴリズムに対して、他のプロパティは不要であることを示す。
我々は,データセットをカバーするサンプリングアルゴリズムを選択することで,収束を加速できることを示す。
論文 参考訳（メタデータ） (2024-01-15T14:04:50Z) - Data-Driven Optimization of Directed Information over Discrete Alphabets [15.372626012233736]
方向性情報(DI)は、逐次解析モデルの研究と分析のための基本的な尺度である。
離散入力空間上でのDIのための新しい推定最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2023-01-02T12:25:40Z) - Optimization of Annealed Importance Sampling Hyperparameters [77.34726150561087]
Annealed Importance Smpling (AIS) は、深層生成モデルの難易度を推定するために使われる一般的なアルゴリズムである。
本稿では、フレキシブルな中間分布を持つパラメータAISプロセスを提案し、サンプリングに少ないステップを使用するようにブリッジング分布を最適化する。
我々は, 最適化AISの性能評価を行い, 深部生成モデルの限界推定を行い, 他の推定値と比較した。
論文 参考訳（メタデータ） (2022-09-27T07:58:25Z) - Selection of the Most Probable Best [2.1095005405219815]
予測値ランキングと選択(R&S)問題では,すべてのk解のシミュレーション出力が,分布によって不確実性をモデル化可能な共通パラメータに依存する。
我々は、最も確率の高い最適解 (MPB) を、分布に関して最適である確率が最も大きい解と定義する。
最適化条件における未知の手段をその推定値に置き換えるアルゴリズムを考案し,シミュレーション予算が増加するにつれて,アルゴリズムのサンプリング比が条件を満たすことを証明した。
論文 参考訳（メタデータ） (2022-07-15T15:27:27Z) - Adaptive Sampling for Best Policy Identification in Markov Decision
Processes [79.4957965474334]
本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。
最先端アルゴリズムの利点を論じ、解説する。
論文 参考訳（メタデータ） (2020-09-28T15:22:24Z) - Bayesian Optimisation vs. Input Uncertainty Reduction [1.0497128347190048]
そこで本研究では,シミュレーションと実データ収集のトレードオフを考慮し,真の入力によるシミュレータの最適解を求める。
本稿では,ベイズ情報収集と最適化という,統一的なシミュレーション最適化手法を提案する。
論文 参考訳（メタデータ） (2020-05-31T23:42:22Z) - Non-Adaptive Adaptive Sampling on Turnstile Streams [57.619901304728366]
カラムサブセット選択、部分空間近似、射影クラスタリング、および空間サブリニアを$n$で使用するターンタイルストリームのボリュームに対する最初の相対エラーアルゴリズムを提供する。
我々の適応的なサンプリング手法は、様々なデータ要約問題に多くの応用をもたらしており、これは最先端を改善するか、より緩和された行列列モデルで以前に研究されただけである。
論文 参考訳（メタデータ） (2020-04-23T05:00:21Z)
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。