論文の概要: Active Learning for Gaussian Process Regression Under Self-Induced Boltzmann Weights

• arxiv url: http://arxiv.org/abs/2605.10654v1
• Date: Mon, 11 May 2026 14:38:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.903597
• Title: Active Learning for Gaussian Process Regression Under Self-Induced Boltzmann Weights
• Title（参考訳）: 自己誘導ボルツマン重みによるガウス過程回帰の能動的学習
• Authors: Jixiang Qing, Henry Moss, Matthias Sachs,
• Abstract要約: 本稿では,未知のボルツマン分布下での予測誤差の低い未知関数の学習を目標とする能動学習問題を考察する。 この自己誘起重み付けは、計算化学におけるポテンシャルエネルギー表面(PES)モデリングのような問題に自然に発生する。
• 参考スコア（独自算出の注目度）: 1.6312989763677892
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the active learning problem where the goal is to learn an unknown function with low prediction error under an unknown Boltzmann distribution induced by the function itself. This self-induced weighting arises naturally in problems such as potential energy surface (PES) modeling in computational chemistry, yet poses unique challenges as the target distribution is unknown and its partition function is intractable. We propose \texttt{AB-SID-iVAR}, a Gaussian Process-based acquisition function that approximates the intractable Bayesian target distribution in closed form while avoiding partition function estimation, and is applicable to both discrete and continuous input domains. We also analyze a Thompson sampling alternative (\texttt{TS-SID-iVAR}) as a higher variance Monte Carlo variant. Despite the unknown target, under mild conditions, we establish that the terminal prediction error vanishes with high probability, and provide a tighter average-case guarantee. We demonstrate consistent improvements over existing approaches in this setting on synthetic benchmarks and real-world PES modeling and drug discovery tasks.
• Abstract（参考訳）: 本稿では,関数自体によって誘導される未知のボルツマン分布の下で,予測誤差の低い未知の関数を学習することを目的とした能動学習問題を考察する。 この自己誘起重み付けは、計算化学におけるポテンシャルエネルギー表面(PES)モデリングのような問題に自然に発生するが、ターゲット分布が未知であり、その分割関数が難解であるため、固有の課題を生じさせる。 本稿では,分割関数の推定を回避しつつ,抽出可能なベイズ目標分布を閉じた形で近似するガウス過程に基づく取得関数である‘texttt{AB-SID-iVAR} を提案する。 我々はまた、高分散モンテカルロ変種としてトンプソンサンプリングの代替 (\texttt{TS-SID-iVAR}) も分析する。 未知の目標にもかかわらず、穏やかな条件下では、終端予測誤差は高い確率で消滅し、より厳密な平均ケース保証を提供する。 本稿では,この環境下での既存のアプローチに対する一貫した改善を実世界のPSSモデリングと薬物発見タスクで示す。

関連論文リスト

• A principled framework for uncertainty decomposition in TabPFN [3.1500610747796376]
  本研究では,TabPFNにおける不確実性分解法を提案する。 予測更新のボラティリティによって決定される分散推定器をコンテキストに沿って導出する。 分類のためにエントロピーに基づく不確実性分解を得る。
  論文  参考訳（メタデータ） (2026-02-04T14:23:53Z)
• GenUQ: Predictive Uncertainty Estimates via Generative Hyper-Networks [0.0]
  演算子学習は関数間の写像への回帰の一般化である。 既に海氷、燃焼、大気物理学のモデリングなど、いくつかの分野で応用例が見つかっている。 我々は、生成的ハイパーネットワークモデルを導入することにより、可能性を構築することを避けるため、UQに対する測度理論的アプローチであるGenUQを紹介する。
  論文  参考訳（メタデータ） (2025-09-25T21:19:03Z)
• LVM-GP: Uncertainty-Aware PDE Solver via coupling latent variable model and Gaussian process [9.576396359649921]
  雑音データを用いたPDEの解法における不確実性定量化のための新しいフレームワーク LVM-GP を提案する。 アーキテクチャは信頼を意識したエンコーダと確率的デコーダで構成される。
  論文  参考訳（メタデータ） (2025-07-30T09:00:39Z)
• A Hessian-Aware Stochastic Differential Equation for Modelling SGD [28.974147174627102]
  Hessian-Aware Modified Equation (HA-SME) は、対象関数のヘッセン情報をそのドリフト項と拡散項の両方に組み込む近似である。 軽度条件下では、HA-SMEは分布感覚におけるSGDのダイナミクスを正確に回復する最初のSDEモデルであることが証明された。
  論文  参考訳（メタデータ） (2024-05-28T17:11:34Z)
• Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
  ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。 カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。 我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-09T03:55:09Z)
• Value-Distributional Model-Based Reinforcement Learning [59.758009422067]
  政策の長期的業績に関する不確実性の定量化は、シーケンシャルな意思決定タスクを解決するために重要である。 モデルに基づくベイズ強化学習の観点から問題を考察する。 本稿では,値分布関数を学習するモデルに基づくアルゴリズムであるEpicemic Quantile-Regression(EQR)を提案する。
  論文  参考訳（メタデータ） (2023-08-12T14:59:19Z)
• Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
  教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。 我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。 対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)
• Robust Estimation for Nonparametric Families via Generative Adversarial Networks [92.64483100338724]
  我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。 我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。 技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
  論文  参考訳（メタデータ） (2022-02-02T20:11:33Z)

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。