Fugu-MT 論文翻訳(概要): Adaptive randomized pivoting and volume sampling

論文の概要: Adaptive randomized pivoting and volume sampling

arxiv url: http://arxiv.org/abs/2510.02513v1
Date: Thu, 02 Oct 2025 19:37:43 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-06 16:35:52.148504
Title: Adaptive randomized pivoting and volume sampling
Title（参考訳）: 適応的ランダム化ピボットとボリュームサンプリング
Authors: Ethan N. Epperly,
Abstract要約: 本稿では、線形回帰のためのボリュームサンプリング分布とアクティブ学習アルゴリズムとの接続を描画することにより、適応ランダム化ピボット(ARP)アルゴリズムを再解釈する。そこで本研究では, ARP アルゴリズムの新たな解析法とリジェクションサンプリングを用いた高速な実装を提案する。
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: Adaptive randomized pivoting (ARP) is a recently proposed and highly effective algorithm for column subset selection. This paper reinterprets the ARP algorithm by drawing connections to the volume sampling distribution and active learning algorithms for linear regression. As consequences, this paper presents new analysis for the ARP algorithm and faster implementations using rejection sampling.
Abstract（参考訳）: Adaptive randomized pivoting (ARP) はカラムサブセット選択のためのアルゴリズムである。本稿では、線形回帰のためのボリュームサンプリング分布とアクティブラーニングアルゴリズムとの接続を描画することで、ALPアルゴリズムを再解釈する。そこで本研究では, ARPアルゴリズムの新しい解析手法と, 再試行サンプリングを用いた高速な実装を提案する。

関連論文リスト

Making RL with Preference-based Feedback Efficient via Randomization [11.019088464664696]
人間のフィードバックから学習する強化学習アルゴリズムは、統計複雑性、計算複雑性、クエリ複雑性の点で効率的である必要がある。提案するアルゴリズムは, サンプル効率のよいアルゴリズム(すなわち, ほぼ最適ケースの後悔境界)と実行時間(すなわち, 関連するパラメータに関して計算複雑性が最悪の場合)を提案する。結果をより一般的な非線形関数近似に拡張するために、トンプソンサンプリングのアイデアに触発されたモデルベースランダム化アルゴリズムを設計する。
論文参考訳（メタデータ） (2023-10-23T04:19:35Z)
Thompson sampling for improved exploration in GFlowNets [75.89693358516944]
生成フローネットワーク(Generative Flow Networks, GFlowNets)は、合成対象物上の分布からのサンプリングを、学習可能なアクションポリシーを用いたシーケンシャルな意思決定問題として扱う、アモータイズされた変分推論アルゴリズムである。 2つの領域において、TS-GFNは、過去の研究で使われたオフ・ポリティクス・サーベイ・ストラテジーよりも、探索を改善し、目標分布への収束を早くすることを示す。
論文参考訳（メタデータ） (2023-06-30T14:19:44Z)
Adaptive Approach For Sparse Representations Using The Locally Competitive Algorithm For Audio [5.6394515393964575]
本稿ではガンマチャープのパラメータを最適化するための適応的アプローチを提案する。提案手法はLCAのニューラルネットワークを利用してガンマチャープのフィルタバンクを自動的に適応する。以上の結果から, このアプローチによるLCAの性能向上は, スパーシリティ, 再建品質, 収束時間の観点から示される。
論文参考訳（メタデータ） (2021-09-29T20:26:16Z)
Study of Proximal Normalized Subband Adaptive Algorithm for Acoustic Echo Cancellation [23.889870461547105]
スパースシナリオに適した正規化サブバンド適応フィルタを提案する。提案アルゴリズムは, 近位前方分割法とソフトスレッショルド法に基づいて導出する。シミュレーションによって支援されるアルゴリズムの平均および平均2乗挙動を解析する。
論文参考訳（メタデータ） (2021-08-14T22:20:09Z)
Local policy search with Bayesian optimization [73.0364959221845]
強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。局所探索のための政策勾配は、しばしばランダムな摂動から得られる。目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
論文参考訳（メタデータ） (2021-06-22T16:07:02Z)
Variance-Reduced Off-Policy Memory-Efficient Policy Search [61.23789485979057]
政治政策の最適化は強化学習において難しい問題である。オフポリシーアルゴリズムはメモリ効率が高く、オフポリシーサンプルから学ぶことができる。
論文参考訳（メタデータ） (2020-09-14T16:22:46Z)
Accelerated Message Passing for Entropy-Regularized MAP Inference [89.15658822319928]
離散値のランダムフィールドにおけるMAP推論の最大化は、機械学習の基本的な問題である。この問題の難しさから、特殊メッセージパッシングアルゴリズムの導出には線形プログラミング(LP)緩和が一般的である。古典的加速勾配の根底にある手法を活用することにより,これらのアルゴリズムを高速化するランダム化手法を提案する。
論文参考訳（メタデータ） (2020-07-01T18:43:32Z)
Nearly Linear Row Sampling Algorithm for Quantile Regression [54.75919082407094]
データの次元にほぼ線形なサンプル複雑性を持つ量子化損失関数の行サンプリングアルゴリズムを提案する。行サンプリングアルゴリズムに基づいて、量子レグレッションの最も高速なアルゴリズムと、バランスの取れた有向グラフのグラフスペーシフィケーションアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-06-15T13:40:07Z)
Non-Adaptive Adaptive Sampling on Turnstile Streams [57.619901304728366]
カラムサブセット選択、部分空間近似、射影クラスタリング、および空間サブリニアを$n$で使用するターンタイルストリームのボリュームに対する最初の相対エラーアルゴリズムを提供する。我々の適応的なサンプリング手法は、様々なデータ要約問題に多くの応用をもたらしており、これは最先端を改善するか、より緩和された行列列モデルで以前に研究されただけである。
論文参考訳（メタデータ） (2020-04-23T05:00:21Z)

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。