論文の概要: A Bayesian Approach to Low-Discrepancy Subset Selection

• arxiv url: http://arxiv.org/abs/2602.14607v1
• Date: Mon, 16 Feb 2026 10:11:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:50.363715
• Title: A Bayesian Approach to Low-Discrepancy Subset Selection
• Title（参考訳）: 低差分サブセット選択に対するベイズ的アプローチ
• Authors: Nathan Kirk,
• Abstract要約: 低差分設計は準モンテカルロ法において中心的な役割を担い、機械学習、ロボティクス、コンピュータグラフィックスなど他の領域にも影響を与えている。 近年, サブセット選択という低分散性構築手法が注目されている。 カーネルの相違点に関する部分集合選択問題もNP-hardであることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-discrepancy designs play a central role in quasi-Monte Carlo methods and are increasingly influential in other domains such as machine learning, robotics and computer graphics, to name a few. In recent years, one such low-discrepancy construction method called subset selection has received a lot of attention. Given a large population, one optimally selects a small low-discrepancy subset with respect to a discrepancy-based objective. Versions of this problem are known to be NP-hard. In this text, we establish, for the first time, that the subset selection problem with respect to kernel discrepancies is also NP-hard. Motivated by this intractability, we propose a Bayesian Optimization procedure for the subset selection problem utilizing the recent notion of deep embedding kernels. We demonstrate the performance of the BO algorithm to minimize discrepancy measures and note that the framework is broadly applicable any design criteria.
• Abstract（参考訳）: 低差分設計は準モンテカルロ法において中心的な役割を担い、機械学習、ロボティクス、コンピュータグラフィックスなど他の領域に影響を与えている。 近年, サブセット選択という低分散性構築手法が注目されている。 人口が多ければ、差分に基づく目的に関して、最小の低差分部分集合を最適に選択する。 この問題のバージョンはNPハードであることが知られている。 本文では,カーネルの相違点に関する部分集合選択問題もNPハードであることが確認された。 そこで本研究では,近年のディープ埋め込みカーネルの概念を応用した部分集合選択問題に対するベイズ最適化手法を提案する。 本稿では,BOアルゴリズムの性能を示すとともに,フレームワークが設計基準に広く適用可能である点に留意する。

関連論文リスト

• Optimizing Kernel Discrepancies via Subset Selection [0.1259953341639576]
  カーネル不一致は準モンテカルロ法(QMC)における最悪のケースエラーを分析する強力なツールである。 本稿では,カーネルの相違に適応する新しいサブセット選択アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-11-04T16:25:08Z)
• Pareto Optimization with Robust Evaluation for Noisy Subset Selection [34.83487850400559]
  サブセット選択は最適化の基本的な問題であり、影響やスパース回帰といった幅広い応用がある。 欲求アルゴリズムや進化進化的POSSを含む従来のアルゴリズムは、ノイズの多い環境で苦労するか、過剰な計算資源を消費する。 本稿では,頑健な評価関数を最大化し,同時にサブセットサイズを最小化する,雑音性サブセット選択(PORE)のためのロバスト評価を用いたパレート最適化に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-01-12T14:04:20Z)
• Near-Optimal Algorithm for Non-Stationary Kernelized Bandits [6.379833644595456]
  時変ベイズ最適化(英語版)とも呼ばれる非定常カーネル化バンドイット問題(KB)について検討する。 我々は,2乗指数およびマタン核を持つ非定常KBに対して,アルゴリズムに依存しない最初のリフレッシュローバウンドを示す。 本稿では,ランダムな置換による位相除去を再開する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-21T14:28:26Z)
• Training Greedy Policy for Proposal Batch Selection in Expensive Multi-Objective Combinatorial Optimization [52.80408805368928]
  本稿では,バッチ取得のための新しいグリーディ型サブセット選択アルゴリズムを提案する。 赤蛍光タンパク質に関する実験により,提案手法は1.69倍少ないクエリでベースライン性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2024-06-21T05:57:08Z)
• Message-Passing Monte Carlo: Generating low-discrepancy point sets via Graph Neural Networks [64.39488944424095]
  本稿では,Message-Passing Monte Carlo という低差点集合を生成する機械学習手法を提案する。 MPMC点は、低次元と少数の点との差に関して、最適かほぼ最適であることが実証的に示されている。
  論文  参考訳（メタデータ） (2024-05-23T21:17:20Z)
• On Distributed Larger-Than-Memory Subset Selection With Pairwise Submodular Functions [31.334053253182795]
  証明可能な近似保証付き分散バウンディングアルゴリズムを提案する。 CIFAR-100 と ImageNet の高品質なサブセットは,集中型手法と比較して,品質が損なわれるか,あるいは損なわれない。
  論文  参考訳（メタデータ） (2024-02-26T09:38:39Z)
• Optimizing Solution-Samplers for Combinatorial Problems: The Landscape of Policy-Gradient Methods [52.0617030129699]
  本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。 我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。 本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
  論文  参考訳（メタデータ） (2023-10-08T23:39:38Z)
• Optimal quantisation of probability measures using maximum mean discrepancy [10.29438865750845]
  何人かの研究者は、確率測度を定量化する方法として、最大平均誤差 (MMD) の最小化を提案している。 離散的候補集合よりもMDDを優しく最小化する逐次アルゴリズムを考える。 本手法を各反復時の候補集合のミニバッチに適用する変種について検討する。
  論文  参考訳（メタデータ） (2020-10-14T13:09:48Z)
• Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
  本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。 最先端アルゴリズムの利点を論じ、解説する。
  論文  参考訳（メタデータ） (2020-09-28T15:22:24Z)
• Second-Order Guarantees in Centralized, Federated and Decentralized Nonconvex Optimization [64.26238893241322]
  単純なアルゴリズムは、多くの文脈において優れた経験的結果をもたらすことが示されている。 いくつかの研究は、非最適化問題を研究するための厳密な分析的正当化を追求している。 これらの分析における重要な洞察は、摂動が局所的な降下アルゴリズムを許容する上で重要な役割を担っていることである。
  論文  参考訳（メタデータ） (2020-03-31T16:54:22Z)

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。