論文の概要: Conditional Neural Bayes Ratio Estimation for Experimental Design Optimisation

• arxiv url: http://arxiv.org/abs/2603.26489v1
• Date: Fri, 27 Mar 2026 14:52:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.556972
• Title: Conditional Neural Bayes Ratio Estimation for Experimental Design Optimisation
• Title（参考訳）: 実験設計最適化のための条件付きニューラルベイ比推定
• Authors: S. A. K. Leeney, T. Gessey-Jones, W. J. Handley, E. de Lera Acedo, H. T. J. Bevins, J. L. Tutt,
• Abstract要約: 設計パラメータの条件付けによるニューラルベイズ比推定を拡張した条件付きニューラルベイズ比推定(cNBRE)を導入する。 このフレームワークは、幅広い科学的応用のために、効率的でグローバルにインフォームドされた実験的な設計最適化を可能にする。
• 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: For frontier experiments operating at the edge of detectability, instrument design directly determines the probability of discovery. We introduce Conditional Neural Bayes Ratio Estimation (cNBRE), which extends neural Bayes ratio estimation by conditioning on design parameters, enabling a single trained network to estimate Bayes factors across a continuous design space. Applied to 21-cm radio cosmology with simulations representative of the REACH experiment, the amortised nature of cNBRE enables systematic design space exploration that would be intractable with traditional point-wise methods, while recovering established physical relationships. The analysis demonstrates a ~20 percentage point variation in detection probability with antenna orientation for a single night of observation, a design decision that would be trivial to implement if determined prior to antenna construction. This framework enables efficient, globally-informed experimental design optimisation for a wide range of scientific applications.
• Abstract（参考訳）: 検出可能性の端で動くフロンティア実験では、機器の設計が発見の確率を直接決定する。 本研究では、設計パラメータの条件付けによるニューラルベイズ比推定を拡張した条件付きニューラルベイズ比推定(cNBRE)を導入し、連続的な設計空間におけるベイズ因子の推定を可能にする。 REACH実験を代表した21cmの電波宇宙論に応用して、cNBREの償却された性質は、確立された物理的関係を回復しつつ、従来のポイントワイド法で引き起こされるような、体系的な設計空間探索を可能にする。 この分析は、アンテナ構築に先立って決定された場合、実装しにくい設計上の決定である、一晩のアンテナ配向による検出確率の約20パーセントの変動を示す。 このフレームワークは、幅広い科学的応用のために、効率的でグローバルにインフォームドされた実験的な設計最適化を可能にする。

関連論文リスト

• Observationally Informed Adaptive Causal Experimental Design [55.998153710215654]
  本稿では,観測モデルを基礎的先行として活用する新たなパラダイムであるアクティブ残留学習を提案する。 このアプローチは、実験的な焦点を、目標因果量の学習から、観察バイアスの補正に必要な残差を効率的に推定するへとシフトさせる。 合成および半合成ベンチマークの実験は、R-Designがベースラインを大幅に上回ることを示した。
  論文  参考訳（メタデータ） (2026-03-04T06:52:37Z)
• Design Stability in Adaptive Experiments: Implications for Treatment Effect Estimation [4.2756749973231924]
  本研究では, 逐次適応的処理代入機構下での平均処理効果(ATE)を推定する問題について検討する。 古典的完全ランダム化設計とは対照的に、各実験単位に処理を割り当てる確率が、事前の割り当てや観察結果に依存する可能性がある設定を考える。 Inverse propensity weighted (IPW) 推定器と拡張IPW (AIPW) 推定器の2つの自然推定器を提案し,解析する。
  論文  参考訳（メタデータ） (2025-10-25T16:30:26Z)
• Accelerated Bayesian Optimal Experimental Design via Conditional Density Estimation and Informative Data [0.4178382980763478]
  実験設計 (Design of Experiments, DOEs) は、実験結果の妥当性、信頼性、効率を高めるための体系的な原則と技法を研究者に提供する基本的な科学的方法論である。 本研究では,ベイズ定理を用いてベイズフレームワーク内の最適実験設計を探索し,実用性期待を再構築する。
  論文  参考訳（メタデータ） (2025-07-21T04:41:05Z)
• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• Statistically Efficient Bayesian Sequential Experiment Design via Reinforcement Learning with Cross-Entropy Estimators [15.461927416747582]
  強化学習は、実験のシーケンスを設計するための改善された設計ポリシーを学ぶことができる。 本稿では,関節モデル分布のクロスエントロピーとフレキシブルな提案分布に基づく代替推定器を提案する。 提案手法は,従来の手法の指数サンプルの複雑さを克服し,高いEIG値のより正確な推定値を提供する。
  論文  参考訳（メタデータ） (2023-05-29T00:35:52Z)
• Metrics for Bayesian Optimal Experiment Design under Model Misspecification [3.04585143845864]
  ユーティリティ関数は、共通ユーティリティ関数が情報ゲインである実験の目的を定義する。 この記事では、従来の期待情報獲得基準を超えて、このプロセスのための拡張されたフレームワークを紹介します。 フレームワークの機能は、線形化スプリングマッサーダンパーシステムとF-16モデルを含むシナリオに適用することで紹介される。
  論文  参考訳（メタデータ） (2023-04-17T02:13:20Z)
• 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)
• Experimental Design for Linear Functionals in Reproducing Kernel Hilbert Spaces [102.08678737900541]
  線形汎関数に対するバイアス認識設計のためのアルゴリズムを提供する。 準ガウス雑音下での固定および適応設計に対する漸近的でない信頼集合を導出する。
  論文  参考訳（メタデータ） (2022-05-26T20:56:25Z)
• A Variational Bayesian Approach to Learning Latent Variables for Acoustic Knowledge Transfer [55.20627066525205]
  本稿では,ディープニューラルネットワーク(DNN)モデルにおける潜伏変数の分布を学習するための変分ベイズ(VB)アプローチを提案する。 我々の提案するVBアプローチは,ターゲットデバイスにおいて良好な改善が得られ,しかも,13の最先端知識伝達アルゴリズムを一貫して上回っている。
  論文  参考訳（メタデータ） (2021-10-16T15:54:01Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)

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。