論文の概要: Maximin Robust Bayesian Experimental Design

• arxiv url: http://arxiv.org/abs/2603.14094v1
• Date: Sat, 14 Mar 2026 19:40:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.596013
• Title: Maximin Robust Bayesian Experimental Design
• Title（参考訳）: Maximin Robust Bayesian の実験設計
• Authors: Hany Abdulsamad, Sahel Iqbal, Christian A. Naesseth, Takuo Matsubara, Adrien Corenflos,
• Abstract要約: 本研究では,実験者同士の最大値ゲームとして問題を定式化することにより,モデル不特定性の下での実験設計の脆さに対処する。 我々は、このアプローチがSibsonの$$-mutual information(MI)によって支配されるロバストな目的をもたらすことを実証する。 シブソンの$-MIを推定するために必要なネストしたモンテカルロ推定器のバイアスとばらつきを軽減するため、設計ポリシーを探索するためにPAC-Bayesフレームワークを採用する。
• 参考スコア（独自算出の注目度）: 10.698592443430323
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We address the brittleness of Bayesian experimental design under model misspecification by formulating the problem as a max--min game between the experimenter and an adversarial nature subject to information-theoretic constraints. We demonstrate that this approach yields a robust objective governed by Sibson's $α$-mutual information~(MI), which identifies the $α$-tilted posterior as the robust belief update and establishes the Rényi divergence as the appropriate measure of conditional information gain. To mitigate the bias and variance of nested Monte Carlo estimators needed to estimate Sibson's $α$-MI, we adopt a PAC-Bayes framework to search over stochastic design policies, yielding rigorous high-probability lower bounds on the robust expected information gain that explicitly control finite-sample error.
• Abstract（参考訳）: 実験者と情報理論上の制約を受ける対向的な性質の最大値ゲームとしてこの問題を定式化することにより, モデル不特定の下でのベイズ実験設計の脆さに対処する。 我々は、この手法がシブソンの$α$-mutual information~(MI)によって支配されるロバストな目的をもたらすことを示した。 シブソンの$α$-MIを推定するのに必要となるネストされたモンテカルロ推定器のバイアスと分散を緩和するために、確率的設計ポリシーを探索するPAC-Bayesフレームワークを採用し、有限サンプル誤差を明示的に制御する頑健な期待情報に対する厳密な高い確率の低い境界を与える。

関連論文リスト

• Bulk-Calibrated Credal Ambiguity Sets: Fast, Tractable Decision Making under Out-of-Sample Contamination [8.826173150779145]
  分散ロバストな最適化(DRO)は、あいまいさセットよりも最悪のケースで予想される損失を最小化する。 我々は,IPクレダルセットが,解釈可能な許容レベルを持つDRO目標にどのように変換されるかを示す。
  論文  参考訳（メタデータ） (2026-01-29T06:37:36Z)
• Robust Variational Bayes by Min-Max Median Aggregation [13.102667562202386]
  本稿では,データセットの汚染と流出率を処理するための頑健なベイズフレームワークを提案する。 提案手法では,データを$m$不整合部分集合に分割し,ロバストなアグリゲーション原理に基づく共同最適化問題を定式化する。 以上の結果より,2段階のアプローチは,$m$の局所的後肢を直接集約するよりも,近似誤差が小さいことが示唆された。
  論文  参考訳（メタデータ） (2025-12-14T13:02:00Z)
• Approximation of differential entropy in Bayesian optimal experimental design [0.0]
  設計から独立しているか、明示的に評価できるような設定において、期待される情報ゲインを推定することに集中する。 これにより、問題は最大エントロピー推定に還元され、期待される情報ゲインに固有のいくつかの課題が軽減される。 我々は,この戦略が,完全な情報取得推定のための最先端手法に匹敵する,あるいはそれ以上の収束率を達成することを証明した。
  論文  参考訳（メタデータ） (2025-10-01T10:17:07Z)
• Confidence Aware Learning for Reliable Face Anti-spoofing [52.23271636362843]
  本稿では,その能力境界を意識した信頼認識顔アンチスプーフィングモデルを提案する。 各サンプルの予測中にその信頼性を推定する。 実験の結果,提案したCA-FASは予測精度の低いサンプルを効果的に認識できることがわかった。
  論文  参考訳（メタデータ） (2024-11-02T14:29:02Z)
• Risk Bounds for Mixture Density Estimation on Compact Domains via the $h$-Lifted Kullback--Leibler Divergence [2.8074364079901017]
  標準KL分散の一般化として、$h$-lifted Kullback--Leibler(KL)分散を導入する。 我々は、対応する最大$h$-lifted chance 推定器の計算手順を開発する。
  論文  参考訳（メタデータ） (2024-04-19T02:31:34Z)
• Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
  モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。 本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
  論文  参考訳（メタデータ） (2023-12-07T15:55:58Z)
• Optimal Algorithms for Stochastic Multi-Armed Bandits with Heavy Tailed Rewards [24.983866845065926]
  我々は、重い尾の報酬を持つマルチアームのバンディットを考えており、そのp$-thのモーメントは、定数$nu_p$が1pleq2$である。 本稿では,従来の情報として$nu_p$を必要としない新しいロバストな推定器を提案する。 提案した推定器の誤差確率は指数関数的に高速に減衰することを示す。
  論文  参考訳（メタデータ） (2020-10-24T10:44:02Z)
• Distributionally Robust Bayesian Quadrature Optimization [60.383252534861136]
  確率分布が未知な分布の不確実性の下でBQOについて検討する。 標準的なBQOアプローチは、固定されたサンプル集合が与えられたときの真の期待目標のモンテカルロ推定を最大化する。 この目的のために,新しい後方サンプリングに基づくアルゴリズム,すなわち分布的に堅牢なBQO(DRBQO)を提案する。
  論文  参考訳（メタデータ） (2020-01-19T12:00:33Z)

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。