論文の概要: Sampling as Bandits: Evaluation-Efficient Design for Black-Box Densities

• arxiv url: http://arxiv.org/abs/2509.01437v1
• Date: Mon, 01 Sep 2025 12:47:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.696998
• Title: Sampling as Bandits: Evaluation-Efficient Design for Black-Box Densities
• Title（参考訳）: バンドとしてのサンプリング:ブラックボックス密度の評価効率向上設計
• Authors: Takuo Matsubara, Andrew Duncan, Simon Cotter, Konstantinos Zygalakis,
• Abstract要約: bandit importance sample (BIS) は、ターゲット密度を評価するのに高価な設定のために設計された新しい種類の重要サンプリング手法である。 BISはサンプルを直接設計し、宇宙を埋めるデザインとマルチアームのバンディットを組み合わせたシーケンシャルな戦略で設計する。
• 参考スコア（独自算出の注目度）: 5.029813736862755
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce bandit importance sampling (BIS), a new class of importance sampling methods designed for settings where the target density is expensive to evaluate. In contrast to adaptive importance sampling, which optimises a proposal distribution, BIS directly designs the samples through a sequential strategy that combines space-filling designs with multi-armed bandits. Our method leverages Gaussian process surrogates to guide sample selection, enabling efficient exploration of the parameter space with minimal target evaluations. We establish theoretical guarantees on convergence and demonstrate the effectiveness of the method across a broad range of sampling tasks. BIS delivers accurate approximations with fewer target evaluations, outperforming competing approaches across multimodal, heavy-tailed distributions, and real-world applications to Bayesian inference of computationally expensive models.
• Abstract（参考訳）: 対象密度の評価に費用がかかるような設定のために設計された,新たな重要度サンプリング手法であるBandit importance sample (BIS)を紹介する。 提案分布を最適化する適応的な重要度サンプリングとは対照的に、BISは、空間充填設計とマルチアームバンディットを組み合わせるシーケンシャル戦略を通じてサンプルを直接設計する。 提案手法はガウス過程のサロゲートを利用してサンプル選択を誘導し,最小目標評価によるパラメータ空間の効率的な探索を可能にする。 我々は, 収束に関する理論的保証を確立し, 広い範囲のサンプリング作業における手法の有効性を実証する。 BISは、ターゲット評価の少ない正確な近似を提供し、計算コストの高いモデルに対するベイズ推定に対するマルチモーダル分布、ヘビーテール分布、および実世界の応用において競合するアプローチより優れている。

関連論文リスト

• Optimality in importance sampling: a gentle survey [50.79602839359522]
  モンテカルロサンプリング法の性能は、提案密度の重要な選択に依存する。 この研究は、重要サンプリングにおける最適性の概念に関する徹底的なレビューである。
  論文  参考訳（メタデータ） (2025-02-11T09:23:26Z)
• 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)
• Learned Reference-based Diffusion Sampling for multi-modal distributions [2.1383136715042417]
  本稿では,学習参照に基づく拡散サンプリング(LRDS)について紹介する。 LRDSは、高密度空間領域にあるサンプルの参照拡散モデルを学ぶことによって、2段階で進行する。 LRDSは、様々な難解な分布上の競合するアルゴリズムと比較して、目標分布に関する事前知識を最大限に活用することが実験的に実証された。
  論文  参考訳（メタデータ） (2024-10-25T10:23:34Z)
• TS-RSR: A provably efficient approach for batch Bayesian Optimization [4.622871908358325]
  本稿では,Phompson Smpling-Regret to Sigma Ratio Direct sampleという,バッチベイズ最適化(BO)の新しい手法を提案する。 我々のサンプリング目的は、各バッチで選択されたアクションを、ポイント間の冗長性を最小化する方法で調整することができる。 提案手法は, 難解な合成および現実的なテスト機能において, 最先端の性能を達成できることを実証する。
  論文  参考訳（メタデータ） (2024-03-07T18:58:26Z)
• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• Optimal Budgeted Rejection Sampling for Generative Models [54.050498411883495]
  判別器を用いた生成モデルの性能向上のために, 還元サンプリング法が提案されている。 提案手法は,まず,最適に最適である最適予算削減サンプリング方式を提案する。 第2に,モデル全体の性能を高めるために,サンプリング方式をトレーニング手順に組み込んだエンドツーエンド手法を提案する。
  論文  参考訳（メタデータ） (2023-11-01T11:52:41Z)

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。