論文の概要: Robust Experimental Design via Generalised Bayesian Inference

• arxiv url: http://arxiv.org/abs/2511.07671v1
• Date: Wed, 12 Nov 2025 01:10:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.420021
• Title: Robust Experimental Design via Generalised Bayesian Inference
• Title（参考訳）: 一般化ベイズ推論によるロバストな実験設計
• Authors: Yasir Zubayr Barlas, Sabina J. Sloman, Samuel Kaski,
• Abstract要約: Generalized Bayesian Optimal Experimental Design (GBOED) は、Gibs推論を実験設計に拡張したものである。 拡張情報理論フレームワークを用いて,ギブズ予測情報ゲインという新たな獲得関数を導出する(Gibbs EIG)。
• 参考スコア（独自算出の注目度）: 19.76344805798142
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian optimal experimental design is a principled framework for conducting experiments that leverages Bayesian inference to quantify how much information one can expect to gain from selecting a certain design. However, accurate Bayesian inference relies on the assumption that one's statistical model of the data-generating process is correctly specified. If this assumption is violated, Bayesian methods can lead to poor inference and estimates of information gain. Generalised Bayesian (or Gibbs) inference is a more robust probabilistic inference framework that replaces the likelihood in the Bayesian update by a suitable loss function. In this work, we present Generalised Bayesian Optimal Experimental Design (GBOED), an extension of Gibbs inference to the experimental design setting which achieves robustness in both design and inference. Using an extended information-theoretic framework, we derive a new acquisition function, the Gibbs expected information gain (Gibbs EIG). Our empirical results demonstrate that GBOED enhances robustness to outliers and incorrect assumptions about the outcome noise distribution.
• Abstract（参考訳）: ベイジアン最適実験設計は、ベイジアン推論を利用して特定の設計を選択することで得られる情報量を定量化する実験を行うための原則化された枠組みである。 しかし、正確なベイズ推定は、データの生成過程の統計モデルが正しく特定されているという仮定に依存している。 この仮定が破られた場合、ベイジアン法は情報ゲインの推測や推定に悪影響を及ぼす可能性がある。 一般化ベイズ予想(英: Generalized Bayesian inference)またはギブス推論(英: Gibbs inference)は、ベイズ更新の確率を適切な損失関数で置き換えるより堅牢な確率的推論フレームワークである。 本稿では,Gibs推論を拡張した一般ベイズ最適実験設計(GBOED)を提案する。 拡張情報理論フレームワークを用いて,ギブズ予測情報ゲイン(Gibbs EIG)という新たな獲得関数を導出する。 実験結果から,GBOEDはアウトレーヤへの堅牢性を高め,結果雑音分布に関する誤った仮定を導出することを示した。

関連論文リスト

• Approximation of differential entropy in Bayesian optimal experimental design [0.0]
  設計から独立しているか、明示的に評価できるような設定において、期待される情報ゲインを推定することに集中する。 これにより、問題は最大エントロピー推定に還元され、期待される情報ゲインに固有のいくつかの課題が軽減される。 我々は,この戦略が,完全な情報取得推定のための最先端手法に匹敵する,あるいはそれ以上の収束率を達成することを証明した。
  論文  参考訳（メタデータ） (2025-10-01T10:17:07Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Bayesian Renormalization [68.8204255655161]
  ベイズ統計的推論にインスパイアされた再正規化に対する完全情報理論的アプローチを提案する。 ベイズ再正規化の主な洞察は、フィッシャー計量が創発的RGスケールの役割を担う相関長を定義することである。 本研究では,ベイズ正規化方式が既存のデータ圧縮法やデータ生成法とどのように関係しているかを考察する。
  論文  参考訳（メタデータ） (2023-05-17T18:00:28Z)
• Metrics for Bayesian Optimal Experiment Design under Model Misspecification [3.04585143845864]
  ユーティリティ関数は、共通ユーティリティ関数が情報ゲインである実験の目的を定義する。 この記事では、従来の期待情報獲得基準を超えて、このプロセスのための拡張されたフレームワークを紹介します。 フレームワークの機能は、線形化スプリングマッサーダンパーシステムとF-16モデルを含むシナリオに適用することで紹介される。
  論文  参考訳（メタデータ） (2023-04-17T02:13:20Z)
• 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)
• Deep Ensemble as a Gaussian Process Approximate Posterior [32.617549688656354]
  Deep Ensemble (DE)は、ディープラーニングにおける不確実性定量化のためのベイズニューラルネットワークの効果的な代替手段である。 本稿では,機能的不整合を明示的に特徴付け,トレーニングデータと特定の事前信条を調整したDEの改良を提案する。 提案手法では,標準のDEよりもわずかにトレーニングコストを削減できるが,様々なシナリオにまたがるDEとその変種よりも不確実性の定量化を実現している。
  論文  参考訳（メタデータ） (2022-04-30T05:25:44Z)
• $\beta$-Cores: Robust Large-Scale Bayesian Data Summarization in the Presence of Outliers [14.918826474979587]
  古典的ベイズ推定の質は、観測結果が推定データ生成モデルに適合するかどうかに大きく依存する。 本稿では,大容量データセットに同時スケール可能な変分推論手法を提案する。 多様なシミュレーションおよび実データ、および様々な統計モデルにおいて、我々のアプローチの適用性について説明する。
  論文  参考訳（メタデータ） (2020-08-31T13:47:12Z)
• Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
  ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。 また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
  論文  参考訳（メタデータ） (2020-02-20T15:13:27Z)

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。