論文の概要: High-dimensional Level Set Estimation with Trust Regions and Double Acquisition Functions

• arxiv url: http://arxiv.org/abs/2602.12391v1
• Date: Thu, 12 Feb 2026 20:36:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.743964
• Title: High-dimensional Level Set Estimation with Trust Regions and Double Acquisition Functions
• Title（参考訳）: 信頼領域と二重獲得関数を用いた高次元レベルセット推定
• Authors: Giang Ngo, Dat Phan Trong, Dang Nguyen, Sunil Gupta,
• Abstract要約: レベルセット推定(LSE)は、未知の関数の値が与えられた入力に対して指定された閾値を超えるかどうかを分類する。 閾値境界近傍の領域を同定・精査する高次元LSEアルゴリズムTRLSEを提案する。 複数の合成および実世界のLSE問題を広範囲に評価することにより,既存の手法に対して優れたサンプル効率を示す。
• 参考スコア（独自算出の注目度）: 10.577125986583432
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Level set estimation (LSE) classifies whether an unknown function's value exceeds a specified threshold for given inputs, a fundamental problem in many real-world applications. In active learning settings with limited initial data, we aim to iteratively acquire informative points to construct an accurate classifier for this task. In high-dimensional spaces, this becomes challenging where the search volume grows exponentially with increasing dimensionality. We propose TRLSE, an algorithm for high-dimensional LSE, which identifies and refines regions near the threshold boundary with dual acquisition functions operating at both global and local levels. We provide a theoretical analysis of TRLSE's accuracy and show its superior sample efficiency against existing methods through extensive evaluations on multiple synthetic and real-world LSE problems.
• Abstract（参考訳）: レベルセット推定(LSE)は、未知の関数の値が与えられた入力の特定のしきい値を超えるかどうかを分類する。 初期データに制限のある能動的学習環境では,このタスクの正確な分類器を構築するために,情報的ポイントを反復的に取得することを目的としている。 高次元空間では、次元の増大とともに探索体積が指数関数的に大きくなると、これは困難になる。 本研究では,大域的・局所的に機能する2つの獲得関数を持つ閾値境界近傍の領域を同定・精査する高次元LSEアルゴリズムTRLSEを提案する。 TRLSEの精度を理論的に解析し、複数の合成および実世界のLSE問題を広範囲に評価することにより、既存の手法に対して優れたサンプル効率を示す。

関連論文リスト

• Distributionally Robust Online Markov Game with Linear Function Approximation [2.4636535146231613]
  シミュレーターで訓練されたエージェントがテスト中に大幅なパフォーマンス低下に直面している、シミュレート・トゥ・リアルギャップは、強化学習における根本的な課題である。 対話型データ収集と大規模状態空間を用いたサンプル効率のアルゴリズムを考案する。 提案手法では,本アルゴリズムは単一エージェント設定において,これまでで最高の結果と一致し,最小限のサンプル値の複雑性を実現する。
  論文  参考訳（メタデータ） (2025-11-11T04:56:39Z)
• Quantization Meets dLLMs: A Systematic Study of Post-training Quantization for Diffusion LLMs [78.09559830840595]
  本稿では拡散に基づく言語モデルの定量化に関する最初の体系的研究について述べる。 異常に大きなアクティベーション値によって特徴付けられるアクティベーションアウトリーチの存在を同定する。 我々は最先端のPTQ手法を実装し、包括的な評価を行う。
  論文  参考訳（メタデータ） (2025-08-20T17:59:51Z)
• X2-DFD: A framework for eXplainable and eXtendable Deepfake Detection [55.77552681618732]
  X2-DFDは、eXplainableおよびeXtendableフレームワークであり、ディープフェイク検出のためのマルチモーダルな多言語モデル(MLLM)に基づいている。 最初の段階であるモデル特徴評価は、MLLMの偽造関係の特徴の検出可能性を体系的に評価する。 2番目のステージであるExplainable dataset Constructionは、Strong Feature StrengtheningとWeak Feature Supplementingの2つの重要なモジュールで構成されている。 3番目のステージであるファインチューニングと推論では、構築されたデータセット上でMLLMを微調整し、最終的な検出と説明のためにデプロイする。
  論文  参考訳（メタデータ） (2024-10-08T15:28:33Z)
• Directed Exploration in Reinforcement Learning from Linear Temporal Logic [59.707408697394534]
  リニア時間論理(LTL)は強化学習におけるタスク仕様のための強力な言語である。 合成された報酬信号は基本的に疎結合であり,探索が困難であることを示す。 我々は、仕様をさらに活用し、それに対応するリミット決定性B"uchi Automaton(LDBA)をマルコフ報酬プロセスとしてキャストすることで、よりよい探索を実現することができることを示す。
  論文  参考訳（メタデータ） (2024-08-18T14:25:44Z)
• Robust Analysis of Multi-Task Learning Efficiency: New Benchmarks on Light-Weighed Backbones and Effective Measurement of Multi-Task Learning Challenges by Feature Disentanglement [69.51496713076253]
  本稿では,既存のMTL手法の効率性に焦点をあてる。 バックボーンを小さくしたメソッドの大規模な実験と,MetaGraspNetデータセットを新しいテストグラウンドとして実施する。 また,MTLにおける課題の新規かつ効率的な識別子として,特徴分散尺度を提案する。
  論文  参考訳（メタデータ） (2024-02-05T22:15:55Z)
• A Finite-Horizon Approach to Active Level Set Estimation [0.7366405857677227]
  レベルセット推定(LSE)における空間サンプリングの文脈におけるアクティブラーニングの問題点について考察する。 1次元でLSEを行うための有限水平探索法を提案するが、最終的な推定誤差と一定数のサンプルの移動距離のバランスは最適である。 結果の最適化問題をクローズドな方法で解き、その結果のポリシーが既存のアプローチを一般化することを示す。
  論文  参考訳（メタデータ） (2023-10-18T14:11:41Z)
• Look-Ahead Acquisition Functions for Bernoulli Level Set Estimation [9.764638397706717]
  サブレベル設定メンバーシップのルックアヘッド後部に対する解析式を導出する。 これらがLSE獲得関数のクラスに対する解析的表現にどのように寄与するかを示す。
  論文  参考訳（メタデータ） (2022-03-18T05:25:35Z)
• An Information-Theoretic Framework for Unifying Active Learning Problems [44.758281991246825]
  本稿では,アクティブラーニング問題を統合するための情報理論的枠組みを提案する。 まず、既存のLSEアルゴリズムを推定する新しいアクティブ学習基準を紹介します。 LSEとBOの関係を利用して、BOのための競合情報理論獲得関数を設計する。
  論文  参考訳（メタデータ） (2020-12-19T14:22:48Z)
• High Dimensional Level Set Estimation with Bayesian Neural Network [58.684954492439424]
  本稿では,ベイズニューラルネットワークを用いた高次元レベル集合推定問題を解く新しい手法を提案する。 各問題に対して対応する理論情報に基づく取得関数を導出してデータポイントをサンプリングする。 合成データセットと実世界データセットの数値実験により,提案手法は既存手法よりも優れた結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-12-17T23:21:53Z)

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。