論文の概要: A Geometric Approach to Optimal Experimental Design
- arxiv url: http://arxiv.org/abs/2510.14848v1
- Date: Thu, 16 Oct 2025 16:20:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-17 21:15:14.947779
- Title: A Geometric Approach to Optimal Experimental Design
- Title（参考訳）: 最適実験設計のための幾何学的アプローチ
- Authors: Gavin Kerrigan, Christian A. Naesseth, Tom Rainforth,
- Abstract要約: 最適設計のための新しい幾何学的枠組み(OED)を提案する。
最適輸送理論に基づく統計的依存の尺度である相互輸送依存(MTD)を提案する。
我々のフレームワークは、標準的な情報理論技術に代わる柔軟な代替手段を提供しながら、高品質な設計を実現することを実証する。
- 参考スコア（独自算出の注目度）: 17.60467753945959
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a novel geometric framework for optimal experimental design (OED). Traditional OED approaches, such as those based on mutual information, rely explicitly on probability densities, leading to restrictive invariance properties. To address these limitations, we propose the mutual transport dependence (MTD), a measure of statistical dependence grounded in optimal transport theory which provides a geometric objective for optimizing designs. Unlike conventional approaches, the MTD can be tailored to specific downstream estimation problems by choosing appropriate geometries on the underlying spaces. We demonstrate that our framework produces high-quality designs while offering a flexible alternative to standard information-theoretic techniques.
- Abstract（参考訳）: 最適設計のための新しい幾何学的枠組み(OED)を提案する。
相互情報に基づくような従来のOEDアプローチは、確率密度を明示的に依存し、制限的不変性をもたらす。
これらの制約に対処するために,設計を最適化するための幾何学的目的を提供する最適輸送理論に基づく統計的依存度尺度である相互輸送依存(MTD)を提案する。
従来の手法とは異なり、MTDは基底空間上の適切な測地を選択することで、特定の下流推定問題に合わせることができる。
我々のフレームワークは、標準的な情報理論技術に代わる柔軟な代替手段を提供しながら、高品質な設計を実現することを実証する。
関連論文リスト
- Three-dimensional Deep Shape Optimization with a Limited Dataset [1.6574413179773761]
生成モデルは、新しい形状を作り出す能力にかなりの注目を集めている。
メカニカルデザインにおけるそれらの応用は、利用可能なデータセットのサイズとバリエーションが制限されているため、依然として制限されている。
本研究では,限られたデータセットを用いた形状最適化に特化して,ディープラーニングに基づく最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-14T03:26:28Z) - Proximal optimal transport divergences [6.6875717609310765]
不完全な畳み込みの定式化により,情報分岐と最適輸送距離を補間する新しい相違尺度である,近位最適輸送発散を導入する。
この発散は、生成モデルで頻繁に使用される最適な輸送近位法と近位最適化法の基礎となる。
我々は,その滑らかさ,有界性,計算的トラクタビリティなどの数学的性質を探求し,原始双対の定式化と対角学習とのつながりを確立する。
論文 参考訳（メタデータ） (2025-05-17T17:48:11Z) - Bayesian Experimental Design for Model Discrepancy Calibration: An Auto-Differentiable Ensemble Kalman Inversion Approach [0.0]
自動微分可能アンサンブルカルマンインバージョン(AD-EKI)によるハイブリッドBEDフレームワークを提案する。
我々は実験的な設計を反復的に最適化し、標準BED法で処理される低次元物理パラメータの推論を分離する。
提案手法は古典的対流拡散BED例を用いて検討した。
論文 参考訳（メタデータ） (2025-04-29T00:10:45Z) - Preference-Guided Diffusion for Multi-Objective Offline Optimization [64.08326521234228]
オフライン多目的最適化のための優先誘導拡散モデルを提案する。
我々の指導は、ある設計が他の設計を支配する確率を予測するために訓練された選好モデルである。
本結果は,多種多様な高品質な解を生成する上での分類器誘導拡散モデルの有効性を浮き彫りにした。
論文 参考訳（メタデータ） (2025-03-21T16:49:38Z) - Training Deep Learning Models with Norm-Constrained LMOs [56.00317694850397]
線形最小化オラクル(LMO)を用いて問題の幾何学に適応する新しいアルゴリズム群を提案する。
我々は,Adamに頼らずに,我々のアルゴリズムであるScionを用いたナノGPTトレーニングの大幅な高速化を示す。
論文 参考訳（メタデータ） (2025-02-11T13:10:34Z) - Variational Sequential Optimal Experimental Design using Reinforcement Learning [0.0]
対OEDは、変分後部近似を用いた一点報酬の定式化を採用し、期待される情報ゲインに対する証明可能な低いバウンドを提供する。
我々は,既存の逐次実験設計アルゴリズムと比較して,サンプル効率が優れていることを示しながら,様々な工学・科学応用における vsOED の実証を行った。
論文 参考訳（メタデータ） (2023-06-17T21:47:19Z) - Learning Differential Invariants of Planar Curves [12.699486382844393]
平面曲線の微分不変量の数値近似の学習パラダイムを提案する。
深層ニューラルネットワーク(DNN)の普遍近似特性を用いて幾何学的測度を推定する。
論文 参考訳（メタデータ） (2023-03-06T19:30:43Z) - Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。
実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-10-07T02:12:34Z) - Geometric Methods for Sampling, Optimisation, Inference and Adaptive
Agents [102.42623636238399]
我々は,サンプリング,最適化,推論,適応的意思決定といった問題に根ざした基本的な幾何学的構造を同定する。
これらの問題を効率的に解くためにこれらの幾何学的構造を利用するアルゴリズムを導出する。
論文 参考訳（メタデータ） (2022-03-20T16:23:17Z) - Adaptive Surface Normal Constraint for Depth Estimation [102.7466374038784]
アダプティブサーフェスノーマル(ASN)制約と呼ばれるシンプルで効果的な手法を導入し、深さ推定と幾何学的一貫性を相関させます。
本手法は3次元形状を忠実に再構成でき,境界,鋭角,雑音などの局所形状変化に頑健である。
論文 参考訳（メタデータ） (2021-03-29T10:36:25Z) - Optimal Bayesian experimental design for subsurface flow problems [77.34726150561087]
本稿では,設計ユーティリティ機能のためのカオス拡張サロゲートモデル(PCE)の開発のための新しいアプローチを提案する。
この手法により,対象関数に対する適切な品質応答面の導出が可能となり,計算予算は複数の単点評価に匹敵する。
論文 参考訳（メタデータ） (2020-08-10T09:42:59Z)
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。