論文の概要: Oracle-based Uniform Sampling from Convex Bodies

• arxiv url: http://arxiv.org/abs/2510.02983v1
• Date: Fri, 03 Oct 2025 13:21:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.393892
• Title: Oracle-based Uniform Sampling from Convex Bodies
• Title（参考訳）: 凸体からのOracleベースの一様サンプリング
• Authors: Thanh Dang, Jiaming Liang,
• Abstract要約: 我々は新しいマルコフ連鎖モンテカルロアルゴリズムを提案し、凸体上の一様分布をK$とする。 提案アルゴリズムは,Gibsサンプリングを用いたAlternating Smpling Framework/proximal samplerに基づく。
• 参考スコア（独自算出の注目度）: 2.087898608419977
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose new Markov chain Monte Carlo algorithms to sample a uniform distribution on a convex body $K$. Our algorithms are based on the Alternating Sampling Framework/proximal sampler, which uses Gibbs sampling on an augmented distribution and assumes access to the so-called restricted Gaussian oracle (RGO). The key contribution of this work is the efficient implementation of RGO for uniform sampling on $K$ via rejection sampling and access to either a projection oracle or a separation oracle on $K$. In both oracle cases, we establish non-asymptotic complexities to obtain unbiased samples where the accuracy is measured in R\'enyi divergence or $\chi^2$-divergence.
• Abstract（参考訳）: 我々は新しいマルコフ連鎖モンテカルロアルゴリズムを提案し、凸体上の一様分布をK$とする。 このアルゴリズムは,拡張分布上でギブズサンプリングを使用し,いわゆる制限ガウスオラクル(RGO)へのアクセスを前提としている。 この研究の重要な貢献は、$K$上の一様サンプリングのためのRGOの効率的な実装と、$K$上の射影オラクルまたは分離オラクルへのアクセスである。 どちらのオラクルの場合も、R'enyiの発散や$\chi^2$-divergenceの精度が測定されるような不偏のサンプルを得るために、非漸近複雑度を確立する。

関連論文リスト

• Stochastic Approximation Approaches to Group Distributionally Robust Optimization and Beyond [89.72693227960274]
  本稿では,グループ分散ロバスト最適化 (GDRO) を,$m$以上の異なる分布をうまく処理するモデルを学習する目的で検討する。 各ラウンドのサンプル数を$m$から1に抑えるため、GDROを2人でプレイするゲームとして、一方のプレイヤーが実行し、他方のプレイヤーが非公開のマルチアームバンディットのオンラインアルゴリズムを実行する。 第2のシナリオでは、最大リスクではなく、平均的最上位k$リスクを最適化し、分散の影響を軽減することを提案する。
  論文  参考訳（メタデータ） (2023-02-18T09:24:15Z)
• On-Demand Sampling: Learning Optimally from Multiple Distributions [63.20009081099896]
  社会と現実世界の考察は、マルチディストリビューション学習パラダイムの台頭につながっている。 これらの学習パラダイムの最適なサンプル複雑性を確立し、このサンプル複雑性を満たすアルゴリズムを提供する。 アルゴリズムの設計と解析は,ゼロサムゲーム解決のためのオンライン学習手法の拡張によって実現されている。
  論文  参考訳（メタデータ） (2022-10-22T19:07:26Z)

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。