論文の概要: Generative Bayesian Computation as a Scalable Alternative to Gaussian Process Surrogates

• arxiv url: http://arxiv.org/abs/2602.21408v1
• Date: Tue, 24 Feb 2026 22:29:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.626972
• Title: Generative Bayesian Computation as a Scalable Alternative to Gaussian Process Surrogates
• Title（参考訳）: ガウス過程サロゲートのスケーラブルな代替としての生成ベイズ計算
• Authors: Nick Polson, Vadim Sokolov,
• Abstract要約: Inlicit Quantile Networks (IQNs) を用いた生成ベイズ計算(GBC)を提案する。 GBCは入出力ペアから完全条件量子関数を学習する。 アクティブラーニングでは、ランダム化された事前IQNアンサンブルは、深いGPアクティブラーニングよりもRMSEの約3倍低い値を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gaussian process (GP) surrogates are the default tool for emulating expensive computer experiments, but cubic cost, stationarity assumptions, and Gaussian predictive distributions limit their reach. We propose Generative Bayesian Computation (GBC) via Implicit Quantile Networks (IQNs) as a surrogate framework that targets all three limitations. GBC learns the full conditional quantile function from input--output pairs; at test time, a single forward pass per quantile level produces draws from the predictive distribution. Across fourteen benchmarks we compare GBC to four GP-based methods. GBC improves CRPS by 11--26\% on piecewise jump-process benchmarks, by 14\% on a ten-dimensional Friedman function, and scales linearly to 90,000 training points where dense-covariance GPs are infeasible. A boundary-augmented variant matches or outperforms Modular Jump GPs on two-dimensional jump datasets (up to 46\% CRPS improvement). In active learning, a randomized-prior IQN ensemble achieves nearly three times lower RMSE than deep GP active learning on Rocket LGBB. Overall, GBC records a favorable point estimate in 12 of 14 comparisons. GPs retain an edge on smooth surfaces where their smoothness prior provides effective regularization.
• Abstract（参考訳）: ガウス過程(GP)サロゲートは高価なコンピュータ実験をエミュレートするためのデフォルトのツールであるが、立方体コスト、定常性仮定、ガウスの予測分布は到達範囲を制限する。 本稿では,3つの制約をすべて対象とするサロゲートフレームワークとして,Implicit Quantile Networks (IQNs) による生成ベイズ計算 (GBC) を提案する。 GBCは入出力ペアから完全条件量子関数を学習し、テスト時に1量子レベル毎に1つのフォワードパスが予測分布からドローを生成する。 14のベンチマークで、GBCとGPベースの4つのメソッドを比較します。 GBCは10次元のフリードマン関数でCRPSを11-26\%改善し、10次元のFriedman関数で14\%改善し、密度共分散GPが実現不可能な90,000のトレーニングポイントまで線形にスケールする。 境界拡張型変種は2次元ジャンプデータセット上でModular Jump GP(最大46\% CRPS改善)と一致または性能が向上する。 アクティブラーニングでは、ランダム化されたプリアIQNアンサンブルは、Rocket LGBB上の深いGPアクティブラーニングよりもRMSEの約3倍低い値を達成する。 総じて、GBCは14の比較のうち12の点で好意的な評価を記録している。 GPは、その滑らかさが効果的な正則化をもたらす滑らかな面にエッジを保持する。

関連論文リスト

• BPDQ: Bit-Plane Decomposition Quantization on a Variable Grid for Large Language Models [56.504879072674015]
  本稿では,ビットプレーンとスカラー係数による可変量子化グリッドを構成するビットプレーン分解量子化(BPDQ)を提案する。 BPDQは、1つのGTX 3090上でQwen2.5-72Bを83.85%のGSM8Kの精度で提供できる(ただし16ビットでは90.83%)。
  論文  参考訳（メタデータ） (2026-02-04T02:54:37Z)
• LGBQPC: Local Granular-Ball Quality Peaks Clustering [51.58924743533048]
  密度ピーククラスタリング(DPC)アルゴリズムは、任意の形状のクラスタを検出する能力において、かなりの注目を集めている。 近年のDPCとグラニュラーボールコンピューティングの統合により、GBベースのDPCアルゴリズムが実現され、計算効率が向上した。 本稿では,ローカルGB品質ピーククラスタリング(LGBQPC)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-05-16T15:26:02Z)
• On the Convergence of DP-SGD with Adaptive Clipping [56.24689348875711]
  勾配クリッピングによるグラディエントDescentは、微分プライベート最適化を実現するための強力な技術である。 本稿では,量子クリッピング(QC-SGD)を用いたSGDの総合収束解析について述べる。 本稿では,QC-SGDが一定閾値クリッピングSGDに類似したバイアス問題にどのように悩まされているかを示す。
  論文  参考訳（メタデータ） (2024-12-27T20:29:47Z)
• GBG++: A Fast and Stable Granular Ball Generation Method for Classification [17.7229704582645]
  グラニュラーボールコンピューティングは効率的で堅牢でスケーラブルな学習方法である。 既存のGBG法の安定性と効率をさらに改善する必要がある。 まず, 高速かつ安定なGBG (GBG++) 手法を提案する。
  論文  参考訳（メタデータ） (2023-05-29T04:00:19Z)
• Surrogate modeling for Bayesian optimization beyond a single Gaussian process [62.294228304646516]
  本稿では,探索空間の活用と探索のバランスをとるための新しいベイズ代理モデルを提案する。 拡張性のある関数サンプリングを実現するため、GPモデル毎にランダムな特徴ベースのカーネル近似を利用する。 提案した EGP-TS を大域的最適に収束させるため,ベイズ的後悔の概念に基づいて解析を行う。
  論文  参考訳（メタデータ） (2022-05-27T16:43:10Z)
• Scaling Gaussian Process Optimization by Evaluating a Few Unique Candidates Multiple Times [119.41129787351092]
  GPに基づく逐次ブラックボックス最適化は,複数の評価ステップの候補解に固執することで効率よく行うことができることを示す。 GP-UCB と GP-EI の2つのよく確立されたGP-Opt アルゴリズムを改良し,バッチ化された GP-Opt の規則を適応させる。
  論文  参考訳（メタデータ） (2022-01-30T20:42:14Z)
• Fast and Scalable Spike and Slab Variable Selection in High-Dimensional Gaussian Processes [12.667478571732449]
  任意の異なるカーネルで抽出可能なスパイクとスラブGPの高速かつスケーラブルな変分推論アルゴリズムを開発した。 実験では、同様のランタイムを維持しながら、バニラおよびスパース変分GPを一貫して上回ります。
  論文  参考訳（メタデータ） (2021-11-08T15:13:24Z)
• Near-linear Time Gaussian Process Optimization with Adaptive Batching and Resparsification [119.41129787351092]
  BBKBは非回帰GP最適化アルゴリズムで、ほぼ直線的に実行し、バッチで候補を選択する。 また,同じバウンダリを用いて,スパルスGP近似の更新コストを適応的に遅延させることで,ステップ毎の償却コストをほぼ一定に抑えることができることを示した。
  論文  参考訳（メタデータ） (2020-02-23T17:43:29Z)

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。