論文の概要: Stacking Variational Bayesian Monte Carlo

• arxiv url: http://arxiv.org/abs/2504.05004v1
• Date: Mon, 07 Apr 2025 12:30:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:14:47.471024
• Title: Stacking Variational Bayesian Monte Carlo
• Title（参考訳）: スタッキング変分ベイジアンモンテカルロ
• Authors: Francesco Silvestrin, Chengkun Li, Luigi Acerbi,
• Abstract要約: 変分ベイジアンモンテカルロ (VBMC) は、計算コストの高い確率でベイジアン推定を近似するサンプル効率の手法である。 独立なVBMCをマージすることで大域的な後部近似を構築する手法であるスタックング変分ベイジアンモンテカルロ(S-VBMC)を紹介する。 VBMCの探索能力に挑戦するために設計された2つの合成問題に対するS-VBMCの有効性と、計算神経科学による実世界の2つの応用を実証する。
• 参考スコア（独自算出の注目度）: 7.598921989525738
• License:
• Abstract: Variational Bayesian Monte Carlo (VBMC) is a sample-efficient method for approximate Bayesian inference with computationally expensive likelihoods. While VBMC's local surrogate approach provides stable approximations, its conservative exploration strategy and limited evaluation budget can cause it to miss regions of complex posteriors. In this work, we introduce Stacking Variational Bayesian Monte Carlo (S-VBMC), a method that constructs global posterior approximations by merging independent VBMC runs through a principled and inexpensive post-processing step. Our approach leverages VBMC's mixture posterior representation and per-component evidence estimates, requiring no additional likelihood evaluations while being naturally parallelizable. We demonstrate S-VBMC's effectiveness on two synthetic problems designed to challenge VBMC's exploration capabilities and two real-world applications from computational neuroscience, showing substantial improvements in posterior approximation quality across all cases.
• Abstract（参考訳）: 変分ベイジアンモンテカルロ (VBMC) は、計算コストの高い確率でベイジアン推定を近似するサンプル効率の手法である。 VBMCの局所サロゲートアプローチは安定した近似を提供するが、その保守的な探索戦略と限られた評価予算は、複雑な後部の領域を見逃す可能性がある。 本研究では,独立なVBMCをマージして大域的な後続近似を構築する手法であるStacking Variational Bayesian Monte Carlo (S-VBMC)を紹介する。 提案手法は,VBMCの混合後部表現と成分毎のエビデンス推定を利用して,自然に並列化可能でありながら,付加的な可能性評価を必要としない。 我々は,VBMCの探索能力に挑戦するために設計された2つの合成問題に対するS-VBMCの有効性と,計算神経科学による実世界の2つの応用を実証し,全ての症例における後部近似品質の大幅な改善を示した。

関連論文リスト

• Combinatorial Multivariant Multi-Armed Bandits with Applications to Episodic Reinforcement Learning and Beyond [58.39457881271146]
  CMAB(Multi-armed bandits)の多変量および確率的トリガーアーム(CMAB-MT)を用いた新しい枠組みを導入する。 CMAB-MTは既存のCMABと比べ、モデリング能力を高めるだけでなく、多変量確率変数の異なる統計特性を活用することで結果を改善することができる。 本フレームワークは, エピソード強化学習(RL)や商品分布の確率的最大カバレッジなど, 応用として多くの重要な問題を含むことができる。
  論文  参考訳（メタデータ） (2024-06-03T14:48:53Z)
• Accelerating Look-ahead in Bayesian Optimization: Multilevel Monte Carlo is All you Need [5.283807323380133]
  マルチレベルモンテカルロ(MLCBOC)は標準MC収束率を達成することができる。 理論的研究は、2段階および3段階のルックアヘッド獲得関数の近似改善に焦点を当てている。 本研究は数値的に検証し,いくつかのベンチマーク例でBOに対するCBOCの利点を示す。
  論文  参考訳（メタデータ） (2024-02-03T10:24:30Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• GEC: A Unified Framework for Interactive Decision Making in MDP, POMDP, and Beyond [101.5329678997916]
  対話型意思決定の一般的な枠組みの下で, サンプル高能率強化学習(RL)について検討した。 本稿では,探索とエクスプロイトの基本的なトレードオフを特徴付ける,新しい複雑性尺度である一般化エルダー係数(GEC)を提案する。 低 GEC の RL 問題は非常にリッチなクラスであり、これは低ベルマン楕円体次元問題、双線型クラス、低証人ランク問題、PO-双線型クラス、一般化正規PSR を仮定する。
  論文  参考訳（メタデータ） (2022-11-03T16:42:40Z)
• Cyclical Variational Bayes Monte Carlo for Efficient Multi-Modal Posterior Distributions Evaluation [0.0]
  変分推論は、後方近似を推定するためのサンプリング方法の代替手法である。 変分ベイジアンモンテカルロ法 (VBMC) は, 統計モデル更新問題に対処する目的で検討されている。
  論文  参考訳（メタデータ） (2022-02-23T17:31:42Z)
• Parallel MCMC Without Embarrassing Failures [19.429985676081618]
  MCMCはデータパーティションで定義された(サブ)後続体上で並列に実行される。 効率的ではあるが、このフレームワークは後部サンプリングの品質に非常に敏感である。 我々はこの問題を緩和するための新しい組み合わせ戦略を提案する。
  論文  参考訳（メタデータ） (2022-02-22T20:17:46Z)
• Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian Modeling [68.69431580852535]
  サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。 我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。 我々は2つの異なる社会問題に対してアルゴリズムを実行する。
  論文  参考訳（メタデータ） (2021-07-07T03:57:22Z)
• Scalable Bayesian Inverse Reinforcement Learning [93.27920030279586]
  我々はAVRIL(Adroximate Variational Reward Imitation Learning)を紹介する。 本手法は,逆強化学習問題の誤った性質に対処する。 本手法を従来の制御シミュレーションと並行して実際の医療データに適用し,現在の手法の範囲を超えた環境におけるベイズ報酬推論を実証する。
  論文  参考訳（メタデータ） (2021-02-12T12:32:02Z)
• Stein Variational Model Predictive Control [130.60527864489168]
  不確実性の下での意思決定は、現実の自律システムにとって極めて重要である。 モデル予測制御 (MPC) 法は, 複雑な分布を扱う場合, 適用範囲が限られている。 この枠組みが、挑戦的で非最適な制御問題における計画の成功に繋がることを示す。
  論文  参考訳（メタデータ） (2020-11-15T22:36:59Z)
• Fast Bayesian Estimation of Spatial Count Data Models [0.0]
  シミュレーション問題ではなく最適化問題として変分ベイズ(VB)を導入する。 VB法は、観測されていないパラメータと空間依存性を持つ負二項モデルにおける後部推論のために導出される。 VBアプローチは、シミュレーションと経験的研究において、通常の8コアプロセッサ上でのMCMCの約45倍から50倍高速である。
  論文  参考訳（メタデータ） (2020-07-07T10:24:45Z)
• Variational Bayesian Monte Carlo with Noisy Likelihoods [11.4219428942199]
  我々は、期待情報ゲイン(EIG)や変動間距離(VIQR)など、新たなグローバルな'取得機能を導入する。 VBMC+VIQRは、接地トラス後部とモデル証拠の回収における最先端の性能を達成する。
  論文  参考訳（メタデータ） (2020-06-15T18:06:18Z)

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。