論文の概要: Bayesian experimental design: grouped geometric pooled posterior via ensemble Kalman methods

• arxiv url: http://arxiv.org/abs/2604.18505v1
• Date: Mon, 20 Apr 2026 16:55:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:53.00745
• Title: Bayesian experimental design: grouped geometric pooled posterior via ensemble Kalman methods
• Title（参考訳）: ベイズの実験設計:アンサンブルカルマン法による群状幾何プール後部実験
• Authors: Huchen Yang, Xinghao Dong, Jinlong Wu,
• Abstract要約: それぞれの外部サンプルは異なる後部を誘導し、大きく異質な推論ターゲットを生成する。 外部サンプルをグループに分割し,各グループにプールされた提案を構築する。 このグループ化戦略は、グループ内のプロポーザル・ターゲットアライメントを改善し、より正確で安定した推定器をもたらす。
• 参考スコア（独自算出の注目度）: 1.665466637453776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bayesian experimental design (BED) for complex physical systems is often limited by the nested inference required to estimate the expected information gain (EIG) or its gradients. Each outer sample induces a different posterior, creating a large and heterogeneous set of inference targets. Existing methods have to sacrifice either accuracy or efficiency: they either perform per-outer-sample posterior inference, which yields higher fidelity but at prohibitive computational cost, or amortize the inner inference across all outer samples for computational reuse, at the risk of degraded accuracy under posterior heterogeneity. To improve accuracy and maintain cost at the amortized level, we propose a grouped geometric pooled posterior framework that partitions outer samples into groups and constructs a pooled proposal for each group. While such grouping strategy would normally require generating separate proposal samples for different groups, our tailored ensemble Kalman inversion (EKI) formulation generates these samples without extra forward-model evaluation cost. We also introduce a conservative diagnostic to assess importance-sampling quality to guide grouping. This grouping strategy improves within-group proposal-target alignment, yielding more accurate and stable estimators while keeping the cost comparable to amortized approaches. We evaluate the performance of our method on both Gaussian-linear and high-dimensional network-based model discrepancy calibration problems.
• Abstract（参考訳）: 複雑な物理系のベイズ実験設計(BED)は、予測情報ゲイン(EIG)またはその勾配を推定するために必要なネスト推論によって制限されることが多い。 それぞれの外部サンプルは異なる後部を誘導し、大きく異質な推論ターゲットを生成する。 既存の手法は精度を犠牲にするか効率を犠牲にする必要がある: 外部サンプルごとの後方推論を行うか、より高い忠実度を得るが計算コストは禁じられるか、または計算再利用のために全ての外部サンプルに対して内部推論を減らし、後方の不均一性の下で精度が低下するリスクを負う。 償却されたレベルでの精度の向上とコストの維持を目的として,外部サンプルをグループに分割し,各グループにプールされた提案を構築するためのグループ化幾何プール後処理フレームワークを提案する。 このようなグループ化戦略は通常、異なるグループに対して別々の提案サンプルを生成する必要があるが、我々の調整されたアンサンブル・カルマン・インバージョン(EKI)は、余分なフォワードモデル評価コストなしでこれらのサンプルを生成する。 また,グループ分けをガイドするために,重要サンプリング品質を評価するための保守的診断も導入した。 このグループ化戦略は、グループ内のプロポーザル・ターゲットアライメントを改善し、より正確で安定した推定者を得ると同時に、償却されたアプローチに匹敵するコストを維持する。 ガウス線形モデルと高次元ネットワークベースモデルとの差分校正問題について,本手法の性能評価を行った。

関連論文リスト

• Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
  構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。 グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。 特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
  論文  参考訳（メタデータ） (2026-04-20T16:43:28Z)
• Almost Asymptotically Optimal Active Clustering Through Pairwise Observations [59.20614082241528]
  そこで本研究では, ノイズと能動的に収集された応答を用いて, M$アイテムを未知数の$K$個別グループにクラスタリングするための新しい分析フレームワークを提案する。 クラスタリングの精度に対する望ましい信頼性を達成するのに必要なクエリ数の基本的下位境界を確立する。 我々は、一般化された同値比統計の計算可能な変種を開発し、その下限に対する性能ギャップを正確に推定できることを実証的に示す。
  論文  参考訳（メタデータ） (2026-02-05T14:16:47Z)
• Variance-Reduced Diffusion Sampling via Target Score Identity [0.0]
  クリーンな(ターゲット)スコアが利用可能か,あるいは近似可能な設定において,スコア推定と拡散に基づくサンプリングの分散化について検討した。 我々は、標準の逆時間解法と互換性のあるプラグアンドプレイ非パラメトリックな自己正規化重要度サンプリング推定器を開発した。 PDE-Governed Inverse問題と合成ターゲット実験により, 固定シミュレーション予算に対する試料品質の改善が示された。
  論文  参考訳（メタデータ） (2026-01-04T16:46:31Z)
• Random-projection ensemble dimension reduction [1.6114012813668932]
  本稿では,高次元回帰の文脈における次元削減のための新しい枠組みを提案する。 独立な乱射影の解離群を考察し、各射影の後に基本回帰法を適用し、経験的性能に基づいて各群における射影を保持する。 シミュレーションおよび実データを用いた大規模数値実験において,提案手法の優れた実証性能を示す。
  論文  参考訳（メタデータ） (2024-10-07T11:09:50Z)
• Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
  Amortized Posterior Smplingは、逆問題における効率的な後方サンプリングのための新しい変分推論手法である。 本手法は,拡散モデルにより暗黙的に定義された変動分布と後続分布とのばらつきを最小限に抑えるために条件付き流れモデルを訓練する。 既存の手法とは異なり、我々のアプローチは教師なしであり、ペア化されたトレーニングデータを必要としておらず、ユークリッドと非ユークリッドの両方のドメインに適用できる。
  論文  参考訳（メタデータ） (2024-07-25T09:53:12Z)
• Structured Conformal Inference for Matrix Completion with Applications to Group Recommender Systems [16.519348575982004]
  本手法は, わずかに観察された行列内において, 与えられた不足成分群に対する連立信頼領域を構築するための共形推論法を開発した。 提案手法はモデルに依存しないため,どのブラックボックスの行列補完アルゴリズムと組み合わせて,グループレベルの推薦に対して信頼性の高い不確実性推定を行うことができる。
  論文  参考訳（メタデータ） (2024-04-26T17:42:29Z)
• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian Modeling [68.69431580852535]
  サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。 我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。 我々は2つの異なる社会問題に対してアルゴリズムを実行する。
  論文  参考訳（メタデータ） (2021-07-07T03:57:22Z)
• Optimal Bayesian experimental design for subsurface flow problems [77.34726150561087]
  本稿では,設計ユーティリティ機能のためのカオス拡張サロゲートモデル(PCE)の開発のための新しいアプローチを提案する。 この手法により,対象関数に対する適切な品質応答面の導出が可能となり,計算予算は複数の単点評価に匹敵する。
  論文  参考訳（メタデータ） (2020-08-10T09:42:59Z)
• Robust Grouped Variable Selection Using Distributionally Robust Optimization [11.383869751239166]
  摂動下での群付き変数選択のための不確実性セットを用いた分布ロバスト最適化(DRO)の定式化を提案する。 我々は,サンプル外損失と推定バイアスの確率的境界を証明し,推定器の群化効果を確立する。 我々の定式化は,群レベルでの空間性を促進する解釈可能で同相なモデルを生成することを示す。
  論文  参考訳（メタデータ） (2020-06-10T22:32:52Z)

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。