Fugu-MT 論文翻訳(概要): Nested Expectations with Kernel Quadrature

論文の概要: Nested Expectations with Kernel Quadrature

arxiv url: http://arxiv.org/abs/2502.18284v1
Date: Tue, 25 Feb 2025 15:19:10 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-26 15:23:11.779841
Title: Nested Expectations with Kernel Quadrature
Title（参考訳）: Kernel QuadratureによるNested期待
Authors: Zonghao Chen, Masha Naslidnyk, François-Xavier Briol,
Abstract要約: ネストされたモンテカルロやマルチレベルモンテカルロのような既存のアルゴリズムは一貫性があることが知られているが、内部レベルと外部レベルの両方で多くのサンプルを必要とする。ネストしたカーネルの2次推定器からなる新しい推定器を提案する。
参考スコア（独自算出の注目度）: 6.531113005552847
License:
Abstract: This paper considers the challenging computational task of estimating nested expectations. Existing algorithms, such as nested Monte Carlo or multilevel Monte Carlo, are known to be consistent but require a large number of samples at both inner and outer levels to converge. Instead, we propose a novel estimator consisting of nested kernel quadrature estimators and we prove that it has a faster convergence rate than all baseline methods when the integrands have sufficient smoothness. We then demonstrate empirically that our proposed method does indeed require fewer samples to estimate nested expectations on real-world applications including Bayesian optimisation, option pricing, and health economics.
Abstract（参考訳）: 本稿では,ネスト予測を推定する難解な計算課題について考察する。ネストされたモンテカルロやマルチレベルモンテカルロのような既存のアルゴリズムは一貫性があることが知られているが、内部レベルと外部レベルの両方で多くのサンプルを必要とする。代わりに、ネストされたカーネル二次推定器からなる新しい推定器を提案し、インテグレードが十分な滑らかさを持つ場合、すべてのベースライン法よりも収束速度が速いことを証明した。提案手法は,ベイズ最適化,オプション価格,健康経済学など,現実のアプリケーション上でのネスト予測を推定するために,実際に少ないサンプルを必要とすることを実証的に実証した。

関連論文リスト

Non-linear Quantum Monte Carlo [1.237454174824584]
量子コンピューティングは、平均推定のための古典モンテカルロ法よりも2次的なスピードアップを提供する。本研究では,非線形推定問題の幅広いクラスに対して,そのような高速化を実現する量子インサイド量子モンテカルロアルゴリズムを提案する。
論文参考訳（メタデータ） (2025-02-07T17:13:27Z)
A Specialized Semismooth Newton Method for Kernel-Based Optimal Transport [92.96250725599958]
カーネルベース最適輸送(OT)推定器は、サンプルからOT問題に対処するための代替的機能的推定手順を提供する。 SSN法は, 標準正規性条件下でのグローバル収束率$O (1/sqrtk)$, 局所二次収束率を達成できることを示す。
論文参考訳（メタデータ） (2023-10-21T18:48:45Z)
Parallelized Acquisition for Active Learning using Monte Carlo Sampling [0.0]
近年,ガウス過程(GP)回帰に基づく後部エミュレータの使用が注目されている。ほぼ恥ずかしい並列シーケンシャルサンプリング器を用いて, 後頭部のモンテカルロサンプルを生成する方法を示す。得られたほぼ分類されたモンテカルロサンプルは、逐次条件付き取得関数値に従ってランク付けされた候補のバッチを生成するために使用される。
論文参考訳（メタデータ） (2023-05-30T17:57:34Z)
Optimal Algorithms for Stochastic Complementary Composite Minimization [55.26935605535377]
統計学と機械学習における正規化技術に触発され,補完的な複合化の最小化について検討した。予測と高い確率で、新しい過剰なリスク境界を提供する。我々のアルゴリズムはほぼ最適であり、このクラスの問題に対して、新しいより低い複雑性境界によって証明する。
論文参考訳（メタデータ） (2022-11-03T12:40:24Z)
Multi-block-Single-probe Variance Reduced Estimator for Coupled Compositional Optimization [49.58290066287418]
構成問題の複雑さを軽減するために,MSVR (Multi-block-probe Variance Reduced) という新しい手法を提案する。本研究の結果は, 試料の複雑さの順序や強靭性への依存など, 様々な面で先行して改善された。
論文参考訳（メタデータ） (2022-07-18T12:03:26Z)
Faster One-Sample Stochastic Conditional Gradient Method for Composite Convex Minimization [61.26619639722804]
滑らかで非滑らかな項の和として形成される凸有限サム目標を最小化するための条件勾配法(CGM)を提案する。提案手法は, 平均勾配 (SAG) 推定器を備え, 1回に1回のサンプルしか必要としないが, より高度な分散低減技術と同等の高速収束速度を保証できる。
論文参考訳（メタデータ） (2022-02-26T19:10:48Z)
Smooth Nested Simulation: Bridging Cubic and Square Root Convergence Rates in High Dimensions [10.596607712009128]
多次元条件変数の関数として条件予測の滑らかさを利用する新しい手法を提案する。漸近解析により,シミュレーション予算の増大に伴い,提案手法は収束率に対する次元性の呪いを効果的に軽減できることが示された。
論文参考訳（メタデータ） (2022-01-09T08:32:00Z)
Accelerated, Optimal, and Parallel: Some Results on Model-Based Stochastic Optimization [33.71051480619541]
凸最適化問題を解決するためのモデルベース手法の近似近位点(aProx)ファミリを拡張します。我々は、非漸近収束保証と、ミニバッチサイズの線形スピードアップを提供する加速スキームを提供する。我々は,「補間」問題に対する新しい基本定数を同定し,収束率の改善と下界の整合性を示す。
論文参考訳（メタデータ） (2021-01-07T18:58:39Z)
Learning Minimax Estimators via Online Learning [55.92459567732491]
確率分布のパラメータを推定するミニマックス推定器を設計する際の問題点を考察する。混合ケースナッシュ平衡を求めるアルゴリズムを構築した。
論文参考訳（メタデータ） (2020-06-19T22:49:42Z)
Unbiased MLMC stochastic gradient-based optimization of Bayesian experimental designs [4.112293524466434]
実験的な設計パラメータに対する期待情報ゲインの勾配は、ネスト予測によって与えられる。我々は,期待される情報ゲインの勾配を,期待される$ell$-norm,期待されるサンプル当たりの計算コストで推定するモンテカルロ推定器を導入する。
論文参考訳（メタデータ） (2020-05-18T01:02:31Z)
Distributionally Robust Bayesian Quadrature Optimization [60.383252534861136]
確率分布が未知な分布の不確実性の下でBQOについて検討する。標準的なBQOアプローチは、固定されたサンプル集合が与えられたときの真の期待目標のモンテカルロ推定を最大化する。この目的のために,新しい後方サンプリングに基づくアルゴリズム,すなわち分布的に堅牢なBQO(DRBQO)を提案する。
論文参考訳（メタデータ） (2020-01-19T12:00:33Z)

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。