論文の概要: Actively Learning Joint Contours of Multiple Computer Experiments

• arxiv url: http://arxiv.org/abs/2512.13530v1
• Date: Mon, 15 Dec 2025 17:00:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.766789
• Title: Actively Learning Joint Contours of Multiple Computer Experiments
• Title（参考訳）: 複数のコンピュータ実験の連接輪郭をアクティブに学習する
• Authors: Shih-Ni Prim, Kevin R. Quinlan, Paul Hawkins, Jagadeesh Movva, Annie S. Booth,
• Abstract要約: 1つのコンピュータ実験から予め特定された応答値が得られた入力を同定する。 ゼロ力での回転飛行時の車両に作用するトルクのモチベーション実験。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Contour location$\unicode{x2014}$the process of sequentially training a surrogate model to identify the design inputs that result in a pre-specified response value from a single computer experiment$\unicode{x2014}$is a well-studied active learning problem. Here, we tackle a related but distinct problem: identifying the input configuration that returns pre-specified values of multiple independent computer experiments simultaneously. Motivated by computer experiments of the rotational torques acting upon a vehicle in flight, we aim to identify stable flight conditions which result in zero torque forces. We propose a "joint contour location" (jCL) scheme that strikes a strategic balance between exploring the multiple response surfaces while exploiting learning of the intersecting contours. We employ both shallow and deep Gaussian process surrogates, but our jCL procedure is applicable to any surrogate that can provide posterior predictive distributions. Our jCL designs significantly outperform existing (single response) CL strategies, enabling us to efficiently locate the joint contour of our motivating computer experiments.
• Abstract（参考訳）: Contour location$\unicode{x2014}$The process of sequencely training a surrogate model to identify the design inputs that caused the pre-specified response value from a single computer experiment$\unicode{x2014}$is a well-studied active learning problem。 ここでは,複数の独立計算機実験の既定値を同時に返す入力構成を同定する。 飛行中の車両に作用する回転トルクのコンピュータ実験により, 安定した飛行条件を同定し, トルク力をゼロにする。 交差する輪郭の学習を生かしながら、複数の応答面を探索する戦略的バランスを打つ「接合輪郭位置」(jCL)スキームを提案する。 我々は浅いガウス過程と深いガウス過程の両方を用いるが、我々のjCL手順は後続の予測分布を提供する任意のサロゲートに適用できる。 当社のjCL設計は,既存の(単一応答)CL戦略を著しく上回り,モチベーションコンピュータ実験の関節輪郭を効率よく見つけることができる。

関連論文リスト

• Equivariant Goal Conditioned Contrastive Reinforcement Learning [5.019456977535218]
  Contrastive Reinforcement Learning (CRL)は、ラベルのない相互作用から有用な構造化表現を抽出するための有望なフレームワークを提供する。 等変制約を用いた潜在空間をさらに構造化する等変CRLを提案する。 我々のアプローチは、状態ベースと画像ベースの両方の設定において、さまざまなシミュレーションタスクにおいて、強いベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2025-07-22T01:13:45Z)
• Sample Complexity and Representation Ability of Test-time Scaling Paradigms [91.34339030453425]
  テスト時間スケーリングのパラダイムは、複雑なタスクにおいて、大きな言語モデル(LLM)の能力を向上した。 本稿では, 自己整合性, ベスト・オブ・n$, 自己補正など, 様々なテストタイム戦略のサンプル効率について検討する。 単一のTransformerアーキテクチャは、ユーザクエリに関連する特定のタスクを事前に知ることなく、複数のタスクを確実に解決することができる。
  論文  参考訳（メタデータ） (2025-06-05T17:48:19Z)
• Transition Transfer $Q$-Learning for Composite Markov Decision Processes [6.337133205762491]
  本稿では,高次元遷移力学を共有構造を表す低ランク成分の和としてモデル化した新しい複合MDPフレームワークを提案する。 これは純粋に低ランクな遷移モデルの一般的な仮定を緩和する。 UCB-TQLは、複数のタスクがコア線形MDPダイナミクスを共有するが、スパース次元に沿って分散するRLシナリオを転送するために設計されている。
  論文  参考訳（メタデータ） (2025-02-01T19:22:00Z)
• Frugal Actor-Critic: Sample Efficient Off-Policy Deep Reinforcement Learning Using Unique Experiences [8.983448736644382]
  リプレイバッファの効率的な利用は、非政治アクター-犯罪強化学習(RL)アルゴリズムにおいて重要な役割を担っている。 本稿では,ユニークなサンプルを選択してリプレイバッファに追加することに焦点を当てた,サンプル効率を実現する手法を提案する。
  論文  参考訳（メタデータ） (2024-02-05T10:04:00Z)
• Transformers as Statisticians: Provable In-Context Learning with In-Context Algorithm Selection [88.23337313766353]
  この研究はまず、変換器がICLを実行するための包括的な統計理論を提供する。 コンテクストにおいて、トランスフォーマーは、幅広い種類の標準機械学習アルゴリズムを実装可能であることを示す。 エンフィングル変換器は、異なるベースICLアルゴリズムを適応的に選択することができる。
  論文  参考訳（メタデータ） (2023-06-07T17:59:31Z)
• Improving Behavioural Cloning with Positive Unlabeled Learning [15.484227081812852]
  本稿では,混合品質のロボットデータセットにおける専門家の軌跡を特定するための,新しい反復学習アルゴリズムを提案する。 結果のフィルタデータセットに行動クローンを適用することで、競合するオフライン強化学習と模倣学習ベースラインを上回っます。
  論文  参考訳（メタデータ） (2023-01-27T14:17:45Z)
• Pruning Self-attentions into Convolutional Layers in Single Path [89.55361659622305]
  ビジョントランスフォーマー(ViT)は、様々なコンピュータビジョンタスクに対して印象的なパフォーマンスを実現している。 トレーニング済みのViTを効率よく自動圧縮するSPViT(Single-Path Vision Transformer pruning)を提案する。 われわれのSPViTはDeiT-Bで52.0%のFLOPをトリミングできる。
  論文  参考訳（メタデータ） (2021-11-23T11:35:54Z)
• Active Learning for Deep Gaussian Process Surrogates [0.3222802562733786]
  深層ガウス過程(dgps)は機械学習(ml)の予測モデルとしてますます普及している そこで我々はDGPを,応答面が類似した特性を示す計算機シミュレーション実験のサロゲートとして検討する。 我々は,シミュレータコードの高価な評価とDGP推論の3乗コストの軽減を両立させ,設計を逐次構築する。
  論文  参考訳（メタデータ） (2020-12-15T00:09:37Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。