論文の概要: Supercharging Simulation-Based Inference for Bayesian Optimal Experimental Design

• arxiv url: http://arxiv.org/abs/2602.06900v1
• Date: Fri, 06 Feb 2026 17:50:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 22:18:26.507386
• Title: Supercharging Simulation-Based Inference for Bayesian Optimal Experimental Design
• Title（参考訳）: スーパーチャージシミュレーションに基づくベイズ最適実験設計のための推論
• Authors: Samuel Klein, Willie Neiswanger, Daniel Ratner, Michael Kagan, Sean Gasiorowski,
• Abstract要約: ベイズ最適実験(BOED)は、期待される実験の情報ゲインを最大化する。 EIGは、現代のSBI密度推定器を直接活用できる複数の定式化を認めている。 グラデーションに基づくEIG設計の鍵となるボトルネックを特定し、単純なマルチスタート並列勾配上昇手順が信頼性と性能を大幅に向上できることを示す。
• 参考スコア（独自算出の注目度）: 12.68772511482115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian optimal experimental design (BOED) seeks to maximize the expected information gain (EIG) of experiments. This requires a likelihood estimate, which in many settings is intractable. Simulation-based inference (SBI) provides powerful tools for this regime. However, existing work explicitly connecting SBI and BOED is restricted to a single contrastive EIG bound. We show that the EIG admits multiple formulations which can directly leverage modern SBI density estimators, encompassing neural posterior, likelihood, and ratio estimation. Building on this perspective, we define a novel EIG estimator using neural likelihood estimation. Further, we identify optimization as a key bottleneck of gradient based EIG maximization and show that a simple multi-start parallel gradient ascent procedure can substantially improve reliability and performance. With these innovations, our SBI-based BOED methods are able to match or outperform by up to $22\%$ existing state-of-the-art approaches across standard BOED benchmarks.
• Abstract（参考訳）: ベイズ最適実験設計(BOED)は、実験の期待情報ゲイン(EIG)を最大化する。 これは、多くの設定において難解である確率推定を必要とする。 シミュレーションベースの推論(SBI)は、この体制に強力なツールを提供する。 しかしながら、SBI と BOED を明示的に接続する既存の作業は、単一の対照的な EIG 境界に制限されている。 EIGは、現在のSBI密度推定器を直接活用できる複数の定式化を認め、神経後部、可能性、比推算を含むことを示した。 この観点から,ニューラル推定を用いた新しいEIG推定器を定義する。 さらに、勾配に基づくEIG最大化の鍵となるボトルネックとして最適化を識別し、単純なマルチスタート並列勾配上昇手順により信頼性と性能が大幅に向上することを示す。 これらのイノベーションにより、私たちのSBIベースのBOEDメソッドは、標準的なBOEDベンチマークにまたがる既存の最先端のアプローチで、最大22.%のパフォーマンスを達成できます。

関連論文リスト

• How to Set the Learning Rate for Large-Scale Pre-training? [73.03133634525635]
  我々はこの調査を2つの異なる研究パラダイムであるフィッティングとトランスファーに定式化する。 フィッティングパラダイムでは,探索係数のスケーリング法則を導入し,O(n3) から O(n*C_D*C_) への探索複雑性を予測モデルにより効果的に低減する。 我々は、$Transferの原則をMixture of Experts (MoE)アーキテクチャに拡張し、モデル深さ、重量減衰、トークン水平線を含む適用範囲を広げる。
  論文  参考訳（メタデータ） (2026-01-08T15:55:13Z)
• Optimizing Likelihoods via Mutual Information: Bridging Simulation-Based Inference and Bayesian Optimal Experimental Design [0.0]
  勾配に基づくBOED法はベイズ最適化や他の実験的設計の代替として提案されている。 本稿では,SBI-BOEDとしてBOEDをSBIアプリケーションで使用可能にするため,SBIと勾配に基づく変分推論手法の相互情報バウンダリによるリンクを示す。 疫学・生物学における実世界のシミュレータにおけるSBIモデルに対するこのアプローチを比較し,推論の顕著な改善を示す。
  論文  参考訳（メタデータ） (2025-02-11T22:58:18Z)
• Bayesian Experimental Design via Contrastive Diffusions [2.2186678387006435]
  実験設計(BOED)は、一連の実験の実行コストを削減する強力なツールである。 コスト効率の良いサンプリング特性を持つプール勾配分布を導入し、新しいEIG式によるEIGコントラスト後部へのトラクタアクセスを提供する。 BOEDフレームワークに生成モデルを組み込むことで、適用範囲を拡大し、非現実的なシナリオでの利用を拡大する。
  論文  参考訳（メタデータ） (2024-10-15T17:53:07Z)
• Stochastic Gradient Bayesian Optimal Experimental Designs for Simulation-based Inference [0.0]
  比に基づくSBI推論アルゴリズムと勾配に基づく変分推論を相互情報のバウンダリを利用して重要な接続を確立する。 この接続により、実験的な設計と償却推論関数の同時最適化を拡張できる。
  論文  参考訳（メタデータ） (2023-06-27T18:15:41Z)
• Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
  本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。 また、局所的な一貫性の結果に基づいた理論的保証も提供する。 この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
  論文  参考訳（メタデータ） (2022-11-17T15:48:06Z)
• 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)
• Robust Expected Information Gain for Optimal Bayesian Experimental Design Using Ambiguity Sets [0.0]
  我々は、経験的期待情報ゲイン(REIG)を定義し、分析する。 REIGは、摂動分布のあいまいな集合上でのEIGのアフィン緩和を最小化することにより、EIGの目的を変更したものである。 EIGを推定するためのサンプリングベースアプローチと組み合わせると、REIGはEIGを推定するのに使用するサンプルの対数-sum-expの安定化に対応することを示す。
  論文  参考訳（メタデータ） (2022-05-20T01:07:41Z)
• Principled Exploration via Optimistic Bootstrapping and Backward Induction [84.78836146128238]
  最適ブートストラップ・バックワード誘導(OB2I)による深層強化学習(DRL)の原理的探索法を提案する。 OB2IはDRLの非パラメトリックブートストラップを介して汎用UCB結合を構築する。 提案する UCB-bonus と LSVI-UCB の理論的接続を線形に構築する。
  論文  参考訳（メタデータ） (2021-05-13T01:15:44Z)
• Learnable Bernoulli Dropout for Bayesian Deep Learning [53.79615543862426]
  Learnable Bernoulli Dropout (LBD) は、他のモデルパラメータと共に最適化されたパラメータとしてドロップアウト率を考慮する新しいモデルに依存しないドロップアウトスキームである。 LBDは画像分類とセマンティックセグメンテーションにおける精度と不確実性の推定を改善する。
  論文  参考訳（メタデータ） (2020-02-12T18:57:14Z)

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。