Fugu-MT 論文翻訳(概要): JADAI: Jointly Amortizing Adaptive Design and Bayesian Inference

論文の概要: JADAI: Jointly Amortizing Adaptive Design and Bayesian Inference

arxiv url: http://arxiv.org/abs/2512.22999v1
Date: Sun, 28 Dec 2025 16:54:43 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-30 22:37:30.31722
Title: JADAI: Jointly Amortizing Adaptive Design and Bayesian Inference
Title（参考訳）: JADAI: 適応設計とベイズ推論を共同で改善
Authors: Niels Bracher, Lars Kühmichel, Desi R. Ivanova, Xavier Intes, Paul-Christian Bürkner, Stefan T. Radev,
Abstract要約: JADAIはベイズ適応設計と推論を併用したフレームワークである。標準適応設計ベンチマークよりも優れた、あるいは競争的なパフォーマンスを達成する。
参考スコア（独自算出の注目度）: 6.93922383439314
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We consider problems of parameter estimation where design variables can be actively optimized to maximize information gain. To this end, we introduce JADAI, a framework that jointly amortizes Bayesian adaptive design and inference by training a policy, a history network, and an inference network end-to-end. The networks minimize a generic loss that aggregates incremental reductions in posterior error along experimental sequences. Inference networks are instantiated with diffusion-based posterior estimators that can approximate high-dimensional and multimodal posteriors at every experimental step. Across standard adaptive design benchmarks, JADAI achieves superior or competitive performance.
Abstract（参考訳）: 情報ゲインを最大化するために設計変数を積極的に最適化できるパラメータ推定の問題を考察する。そこで本稿では,ポリシー,履歴ネットワーク,推論ネットワークをエンドツーエンドにトレーニングすることで,ベイズ適応設計と推論を共同で改善するフレームワークであるJADAIを紹介する。ネットワークは、実験列に沿った後方誤差の漸進的な減少を集約する一般的な損失を最小限に抑える。推論ネットワークは拡散に基づく後部推定器でインスタンス化され、実験段階ごとに高次元および多モード後部を近似することができる。標準適応設計ベンチマークでは、JADAIは優れたパフォーマンスまたは競争力を発揮する。

関連論文リスト

SPREAD: Sampling-based Pareto front Refinement via Efficient Adaptive Diffusion [0.8594140167290097]
SPREADは拡散確率モデル(DDPM)に基づく生成フレームワークである決定空間からサンプリングされた点上の条件拡散過程を学習する。適応的多重勾配降下インスパイアされた更新を高速収束に利用するサンプリングスキームにより、候補を洗練する。
論文参考訳（メタデータ） (2025-09-25T12:09:37Z)
Revisiting the Privacy Risks of Split Inference: A GAN-Based Data Reconstruction Attack via Progressive Feature Optimization [49.32786615205064]
Split Inference (SI)は、エッジデバイスとクラウドの間の計算を分割することで、レイテンシを低減し、ユーザのプライバシを保護する。データ再構成攻撃(DRA)の最近の進歩は、SIで交換された中間的特徴を利用して機密入力データを復元できることを明らかにしている。既存のDRAは一般的に浅いモデルにのみ有効であり、セマンティックな事前を十分に活用できない。本稿では,プログレッシブ・フィーチャー・オプティマイゼーション(PFO)を用いた新しいGANベースのDRAフレームワークを提案する。
論文参考訳（メタデータ） (2025-08-28T10:00:39Z)
Goal-Oriented Sequential Bayesian Experimental Design for Causal Learning [2.89781371591051]
GO-CBEDはシーケンシャルな因果実験設計のためのゴール指向のベイズ的フレームワークである。このフレームワークは、介入シーケンス全体の最適化と、因果クエリに関連するモデルアスペクトのみを対象としている。 GO-CBEDは、様々な因果推論および発見タスクにおいて、既存のベースラインを一貫して上回っていることを実証する。
論文参考訳（メタデータ） (2025-07-10T00:53:57Z)
The Larger the Merrier? Efficient Large AI Model Inference in Wireless Edge Networks [56.37880529653111]
大規模計算モデル(LAIM)サービスの需要は、従来のクラウドベースの推論から、低レイテンシでプライバシ保護のアプリケーションのためのエッジベースの推論へのパラダイムシフトを推進している。本稿では,事前学習したLAIMをデバイス上のサブモデルとサーバ上のサブモデルに分割して配置するLAIM推論方式について検討する。
論文参考訳（メタデータ） (2025-05-14T08:18:55Z)
Partial Transportability for Domain Generalization [56.37032680901525]
本稿では, 部分的同定と輸送可能性の理論に基づいて, 対象分布の関数値の有界化に関する新たな結果を紹介する。我々の貢献は、輸送可能性問題に対する最初の一般的な評価手法を提供することである。本稿では,スケーラブルな推論を実現するための勾配に基づく最適化手法を提案する。
論文参考訳（メタデータ） (2025-03-30T22:06:37Z)
Component-based Sketching for Deep ReLU Nets [55.404661149594375]
各種タスクのためのディープネットコンポーネントに基づくスケッチ手法を開発した。我々はディープネットトレーニングを線形経験的リスク最小化問題に変換する。提案したコンポーネントベーススケッチは飽和関数の近似においてほぼ最適であることを示す。
論文参考訳（メタデータ） (2024-09-21T15:30:43Z)
A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文参考訳（メタデータ） (2023-11-13T01:48:08Z)
Probabilistic partition of unity networks for high-dimensional regression problems [1.0227479910430863]
我々は高次元回帰問題におけるユニタリネットワーク(PPOU-Net)モデルの分割について検討する。本稿では適応次元の減少に着目した一般的な枠組みを提案する。 PPOU-Netsは、数値実験において、同等の大きさのベースライン完全接続ニューラルネットワークを一貫して上回っている。
論文参考訳（メタデータ） (2022-10-06T06:01:36Z)
Adaptive Inference through Early-Exit Networks: Design, Challenges and Directions [80.78077900288868]
初期のネットワークの設計手法をその重要コンポーネントに分解し、各コンポーネントの最近の進歩を調査する。我々は、他の効率的な推論ソリューションと早期に競合する立場をとり、この分野の研究における現在の課題と最も有望な今後の方向性についての洞察を提供する。
論文参考訳（メタデータ） (2021-06-09T12:33:02Z)
Improving Bayesian Inference in Deep Neural Networks with Variational Structured Dropout [19.16094166903702]
ベイズネットワークにおける近似推論として,ドロップアウトトレーニングの解釈に触発された新しい変分構造近似を提案する。そこで,この限界を克服するために,Variational Structured Dropout (VSD) と呼ばれる新しい手法を提案する。標準ベンチマークの実験を行い、予測精度と不確実性推定の両方において、最新手法に対するVSDの有効性を実証します。
論文参考訳（メタデータ） (2021-02-16T02:33:43Z)
DessiLBI: Exploring Structural Sparsity of Deep Networks via Differential Inclusion Paths [45.947140164621096]
逆スケール空間の差分包摂に基づく新しい手法を提案する。 DessiLBIが早期に「優勝チケット」を発表することを示す。
論文参考訳（メタデータ） (2020-07-04T04:40:16Z)

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。