論文の概要: Active Timepoint Selection for Learning Measure-Valued Trajectories

• arxiv url: http://arxiv.org/abs/2605.30625v1
• Date: Thu, 28 May 2026 22:22:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.269303
• Title: Active Timepoint Selection for Learning Measure-Valued Trajectories
• Title（参考訳）: 計測値軌道の学習のためのアクティブ・タイムポイント選択
• Authors: Nicolas Huynh, Mihaela van der Schaar,
• Abstract要約: スナップショットから連続確率パスを推定することは、単細胞生物学のような領域における根本的な課題である。 スパース測度空間にアクティブな実験を拡張するフレームワークを導入する。 これにより、不確実性を最小限に抑えるために測定時間を反復的に選択する取得ポリシーが得られる。
• 参考スコア（独自算出の注目度）: 55.49809248697036
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inferring continuous probability paths from sparse snapshots is a fundamental challenge in domains like single-cell biology, where high-fidelity data acquisition is often destructive and constrained by prohibitive sequencing costs. This motivates the need for active learning strategies to strategically select optimal measurement times. However, designing active learning policies for this setting remains an open problem: the target objects reside on the infinite dimensional Wasserstein space where standard Euclidean metrics are ill-defined, and current interpolation methods lack epistemic uncertainty quantification. We introduce a framework which extends active experimentation to the space of measures. By leveraging Linearized Optimal Transport (LOT), we map distributional snapshots into a tangent space amenable to Gaussian Process modeling, allowing us to construct a tractable probabilistic surrogate for the underlying probability path. This yields an acquisition policy that iteratively selects measurement times to minimize uncertainty. Empirical results demonstrate that our strategy outperforms uncertainty-agnostic baselines on both synthetic and real-world datasets.
• Abstract（参考訳）: スパーススナップショットから連続確率パスを推定することは、単一細胞生物学のような領域において基本的な課題である。 このことは、最適な測定時間を戦略的に選択するためのアクティブな学習戦略の必要性を動機付けている。 しかし、この設定のためにアクティブな学習ポリシーを設計することは未解決の問題であり、対象オブジェクトは標準ユークリッド測度が定義されていない無限次元のワッサーシュタイン空間に存在しており、現在の補間法はエピステミック不確実性定量化を欠いている。 測度空間にアクティブな実験を拡大する枠組みを導入する。 線形化された最適輸送(LOT)を利用することで、分布スナップショットをガウス的プロセスモデリングに適した接空間にマッピングし、基礎となる確率パスに対してトラクタブルな確率的サロゲートを構築することができる。 これにより、不確実性を最小限に抑えるために測定時間を反復的に選択する取得ポリシーが得られる。 実験の結果、我々の戦略は、合成データセットと実世界のデータセットの両方において、不確実性に依存しないベースラインを上回ります。

関連論文リスト

• Data-driven Reachable Set Estimation with Tunable Adversarial and Wasserstein Distributional Guarantees [0.0]
  サンプル状態軌跡のみを用いた未知離散時間力学系の有限地平線到達可能集合推定について検討した。 到達可能な集合推定にどのように調整できるかを示し、そこでは全体の軌道に基づいて集合の族を学ばなければならない。
  論文  参考訳（メタデータ） (2026-04-14T12:23:14Z)
• CT-VoxelMap: Efficient Continuous-Time LiDAR-Inertial Odometry with Probabilistic Adaptive Voxel Mapping [15.34037575218496]
  本稿では,B-スプラインの累積形式に基づく新しい連続時間オドメトリー法を提案する。 我々はIMU測定による前方伝播情報を用いて、オンラインの適合誤差を推定し、ハイブリッドな特徴ベースのボクセルマップ管理戦略を導入する。 提案手法は、複数の課題のある公開データセット上で評価され、ほとんどのシーケンスにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2026-04-04T14:27:54Z)
• Online Decision-Focused Learning [74.3205104323777]
  意思決定中心学習(DFL)は、意思決定タスクで予測出力が使用されるモデルのトレーニングパラダイムとして、ますます人気が高まっている。 本稿では,目的関数を規則化し,その相違を解消し,非最適関数を克服する方法を検討する。 また、クナップサック実験におけるアルゴリズムの有効性を示し、2つの標準ベンチマークを上回りました。
  論文  参考訳（メタデータ） (2025-05-19T10:40:30Z)
• Embedding generalization within the learning dynamics: An approach based-on sample path large deviation theory [0.0]
  本研究では,持続的視点から手法を利用する経験的リスク摂動に基づく学習問題を考察する。 大規模偏差のFreidlin-Wentzell理論に基づく小雑音限界の推定を行う。 また、最適点推定に繋がる変分問題を解く計算アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-04T23:31:35Z)
• Learning Optimal Deterministic Policies with Stochastic Policy Gradients [62.81324245896716]
  政策勾配法(PG法)は連続強化学習(RL法)問題に対処する手法として成功している。 一般的には、収束(ハイパー)政治は、決定論的バージョンをデプロイするためにのみ学習される。 本稿では,サンプルの複雑性とデプロイされた決定論的ポリシのパフォーマンスのトレードオフを最適化するために,学習に使用する探索レベルの調整方法を示す。
  論文  参考訳（メタデータ） (2024-05-03T16:45:15Z)
• Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
  我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。 具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。 提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
  論文  参考訳（メタデータ） (2023-10-25T02:37:51Z)
• Distributional Method for Risk Averse Reinforcement Learning [0.0]
  リスク逆マルコフ決定過程における最適政策を学習するための分布法を提案する。 我々は、状態、行動、コストの連続的な観察を仮定し、動的リスク尺度を用いて政策のパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2023-02-27T19:48:42Z)
• Offline Stochastic Shortest Path: Learning, Evaluation and Towards Optimality [57.91411772725183]
  本稿では,状態空間と動作空間が有限である場合のオフライン最短経路問題について考察する。 オフラインポリシ評価(OPE)とオフラインポリシ学習タスクの両方を扱うための,シンプルな値ベースアルゴリズムを設計する。 これらの単純なアルゴリズムの解析は、極小値に近い最悪のケース境界を示唆する強いインスタンス依存境界をもたらす。
  論文  参考訳（メタデータ） (2022-06-10T07:44:56Z)
• Minimum-Delay Adaptation in Non-Stationary Reinforcement Learning via Online High-Confidence Change-Point Detection [7.685002911021767]
  非定常環境におけるポリシーを効率的に学習するアルゴリズムを導入する。 これは、リアルタイム、高信頼な変更点検出統計において、潜在的に無限のデータストリームと計算を解析する。 i) このアルゴリズムは, 予期せぬ状況変化が検出されるまでの遅延を最小限に抑え, 迅速な応答を可能にする。
  論文  参考訳（メタデータ） (2021-05-20T01:57:52Z)

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。