論文の概要: Bayesian Active Learning of (small) Quantile Sets through Expected Estimator Modification

• arxiv url: http://arxiv.org/abs/2506.13211v1
• Date: Mon, 16 Jun 2025 08:13:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:47.788122
• Title: Bayesian Active Learning of (small) Quantile Sets through Expected Estimator Modification
• Title（参考訳）: 期待される推定量修正による(小)量子集合のベイズ的能動的学習
• Authors: Romain Ait Abdelmalek-Lomenech, Julien Bect, Emmanuel Vazquez,
• Abstract要約: 本稿では,ガウス的プロセスモデリングに基づくベイズ的アクティブラーニング戦略を提案する。 この戦略は、我々が期待する推定量修正(EEM)と呼ぶより広い原理に属する新しいサンプリング基準によって推進される。 ROTOR37圧縮機モデルを含むいくつかの合成例と工業応用事例について,この戦略の性能を概説した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given a multivariate function taking deterministic and uncertain inputs, we consider the problem of estimating a quantile set: a set of deterministic inputs for which the probability that the output belongs to a specific region remains below a given threshold. To solve this problem in the context of expensive-to-evaluate black-box functions, we propose a Bayesian active learning strategy based on Gaussian process modeling. The strategy is driven by a novel sampling criterion, which belongs to a broader principle that we refer to as Expected Estimator Modification (EEM). More specifically, the strategy relies on a novel sampling criterion combined with a sequential Monte Carlo framework that enables the construction of batch-sequential designs for the efficient estimation of small quantile sets. The performance of the strategy is illustrated on several synthetic examples and an industrial application case involving the ROTOR37 compressor model.
• Abstract（参考訳）: 決定論的かつ不確実な入力を受ける多変量関数が与えられたとき、与えられたしきい値以下に出力が属する確率が残る決定論的入力の集合である量子集合を推定する問題を考える。 高価なブラックボックス関数の文脈でこの問題を解決するために,ガウス過程モデリングに基づくベイズ能動的学習戦略を提案する。 この戦略は、我々が期待する推定量修正(EEM)と呼ぶより広い原理に属する、新しいサンプリング基準によって推進される。 より具体的には、この戦略は、小さな量子集合を効率的に推定するためのバッチシーケンスの設計を可能にするシーケンシャルなモンテカルロフレームワークと組み合わせた、新しいサンプリング基準に依存している。 ROTOR37圧縮機モデルを含むいくつかの合成例と工業応用事例について,この戦略の性能を概説した。

関連論文リスト

• Model-Free Active Exploration in Reinforcement Learning [53.786439742572995]
  強化学習における探索問題について検討し,新しいモデルフリーソリューションを提案する。 我々の戦略は、最先端の探査アプローチよりも高速に効率的な政策を特定できる。
  論文  参考訳（メタデータ） (2024-06-30T19:00:49Z)
• Value-Distributional Model-Based Reinforcement Learning [59.758009422067]
  政策の長期的業績に関する不確実性の定量化は、シーケンシャルな意思決定タスクを解決するために重要である。 モデルに基づくベイズ強化学習の観点から問題を考察する。 本稿では,値分布関数を学習するモデルに基づくアルゴリズムであるEpicemic Quantile-Regression(EQR)を提案する。
  論文  参考訳（メタデータ） (2023-08-12T14:59:19Z)
• Bayesian sequential design of computer experiments for quantile set inversion [0.0]
  複素数値シミュレータのようなシステムを表現する未知の多変量関数を考える。 我々の目的は、確率が与えられた閾値未満の出力につながる決定論的入力のセットを推定することである。
  論文  参考訳（メタデータ） (2022-11-02T10:14:05Z)
• CARMS: Categorical-Antithetic-REINFORCE Multi-Sample Gradient Estimator [60.799183326613395]
  本稿では, 相互に負に相関した複数のサンプルに基づく分類的確率変数の非バイアス推定器を提案する。 CARMSは、ReINFORCEとコプラベースのサンプリングを組み合わせることで、重複サンプルを回避し、その分散を低減し、重要サンプリングを使用して推定器を偏りなく維持する。 我々は、生成的モデリングタスクと構造化された出力予測タスクに基づいて、いくつかのベンチマークデータセット上でCARMSを評価し、強力な自己制御ベースラインを含む競合する手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-26T20:14:30Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• Control as Hybrid Inference [62.997667081978825]
  本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。 連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
  論文  参考訳（メタデータ） (2020-07-11T19:44:09Z)
• Scalable Control Variates for Monte Carlo Methods via Stochastic Optimization [62.47170258504037]
  本稿では,制御,カーネル,ニューラルネットワークを用いた既存のアプローチを包含し,一般化するフレームワークを提案する。 新たな理論的結果は、達成可能な分散還元に関する洞察を与えるために提示され、ベイズ推定への応用を含む経験的評価が支持される。
  論文  参考訳（メタデータ） (2020-06-12T22:03:25Z)

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。