論文の概要: When Machine Learning Meets Importance Sampling: A More Efficient Rare Event Estimation Approach

• arxiv url: http://arxiv.org/abs/2504.13982v1
• Date: Fri, 18 Apr 2025 07:25:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 08:02:46.183099
• Title: When Machine Learning Meets Importance Sampling: A More Efficient Rare Event Estimation Approach
• Title（参考訳）: 機械学習が重要度サンプリングに出会ったとき - より効率的なレアイベント推定アプローチ
• Authors: Ruoning Zhao, Xinyun Chen,
• Abstract要約: 定常状態におけるタンデム待ち行列の希少事象確率を推定するシミュレーションタスクについて検討する。 既存の文献では、経路依存確率関数の爆発的分散のため、重要サンプリング法が非効率であることを認識している。 本稿では,定常分布における限界確率比を有効利用し,過度な分散の問題を効果的に回避する新しい重要サンプリング手法を提案する。
• 参考スコア（独自算出の注目度）: 29.286353206449643
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driven by applications in telecommunication networks, we explore the simulation task of estimating rare event probabilities for tandem queues in their steady state. Existing literature has recognized that importance sampling methods can be inefficient, due to the exploding variance of the path-dependent likelihood functions. To mitigate this, we introduce a new importance sampling approach that utilizes a marginal likelihood ratio on the stationary distribution, effectively avoiding the issue of excessive variance. In addition, we design a machine learning algorithm to estimate this marginal likelihood ratio using importance sampling data. Numerical experiments indicate that our algorithm outperforms the classic importance sampling methods.
• Abstract（参考訳）: 通信ネットワークにおけるアプリケーションによって駆動される本研究では,タンデム待ち行列の定常状態における希少事象確率を推定するシミュレーションタスクについて検討する。 既存の文献では、経路依存確率関数の爆発的分散のため、重要サンプリング法が非効率であることを認識している。 これを軽減するために,定常分布における限界確率比を利用する新たな重要サンプリング手法を導入し,過度な分散の問題を効果的に回避する。 さらに、重要サンプリングデータを用いて、この限界確率比を推定する機械学習アルゴリズムを設計する。 数値実験により,本アルゴリズムは古典的重要サンプリング法よりも優れていることが示された。

関連論文リスト

• Exploring Variance Reduction in Importance Sampling for Efficient DNN Training [1.7767466724342067]
  本稿では,深層ニューラルネットワーク(DNN)トレーニングにおいて,重要サンプリング下でサンプリングされたミニバッチのみを用いて分散低減を推定する手法を提案する。 また、重要度サンプリングの効率を定量化する絶対測度と、移動勾配統計に基づく重要度スコアのリアルタイム推定アルゴリズムも導入する。
  論文  参考訳（メタデータ） (2025-01-23T00:43:34Z)
• Enhanced Importance Sampling through Latent Space Exploration in Normalizing Flows [69.8873421870522]
  重要サンプリングはモンテカルロシミュレーションで使われる稀な事象シミュレーション手法である。 正規化フローの潜在空間における提案分布を更新し,より効率的なサンプリング法を提案する。
  論文  参考訳（メタデータ） (2025-01-06T21:18:02Z)
• Failure Probability Estimation for Black-Box Autonomous Systems using State-Dependent Importance Sampling Proposals [37.579437595742995]
  失敗の確率を推定することは、安全クリティカルな自律システムを開発するための重要なステップである。 モンテカルロサンプリングのような直接推定法は、これらの系における故障の希少性のため、しばしば非現実的である。 これらの制約に対処するための適応的重要度サンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-03T04:28:58Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• Observation-Guided Diffusion Probabilistic Models [41.749374023639156]
  観測誘導拡散確率モデル(OGDM)と呼ばれる新しい拡散に基づく画像生成法を提案する。 本手法は,観測プロセスの指導をマルコフ連鎖と統合することにより,トレーニング目標を再構築する。 本研究では,強力な拡散モデルベースライン上での多様な推論手法を用いたトレーニングアルゴリズムの有効性を示す。
  論文  参考訳（メタデータ） (2023-10-06T06:29:06Z)
• A Tale of Sampling and Estimation in Discounted Reinforcement Learning [50.43256303670011]
  割引平均推定問題に対して最小値の最小値を求める。 マルコフ過程の割引されたカーネルから直接サンプリングすることで平均を推定すると、説得力のある統計的性質が得られることを示す。
  論文  参考訳（メタデータ） (2023-04-11T09:13:17Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• Adapting to Continuous Covariate Shift via Online Density Ratio Estimation [64.8027122329609]
  分散シフトへの対処は、現代の機械学習における中心的な課題の1つだ。 歴史的情報を適切に再利用するオンライン手法を提案する。 我々の密度比推定法は, ダイナミックなリセットバウンドを楽しむことにより, 良好に動作できることが証明された。
  論文  参考訳（メタデータ） (2023-02-06T04:03:33Z)
• A Deep Reinforcement Learning Approach to Rare Event Estimation [30.670114229970526]
  自律システムの設計における重要なステップは、失敗が起こる確率を評価することである。 安全クリティカルな領域では、モンテカルロサンプリングによる政策の評価が非効率であるように、失敗確率は非常に小さい。 逐次意思決定システムにおいて、稀な事象の確率を効率的に推定できる2つの適応的重要度サンプリングアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-11-22T18:29:14Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• Localized Debiased Machine Learning: Efficient Inference on Quantile Treatment Effects and Beyond [69.83813153444115]
  因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。 Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。 本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
  論文  参考訳（メタデータ） (2019-12-30T14:42:52Z)

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。