論文の概要: Rashomon-Seeded Annealing for Robust Bayesian Inference in Factorial Designs

• arxiv url: http://arxiv.org/abs/2606.02589v1
• Date: Thu, 21 May 2026 05:01:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-07 20:42:22.570144
• Title: Rashomon-Seeded Annealing for Robust Bayesian Inference in Factorial Designs
• Title（参考訳）: 因子設計におけるロバストベイズ推論のためのラショーモンシードアニーリング
• Authors: Yiyang Fan, Soumyakanti Pan, Tyler H. McCormick,
• Abstract要約: そこで本研究では,ラショウモン集合を戦略的「ウォームスタート」として再利用し,全後部を推定する一般計算フレームワークを提案する。 本稿では, 因数分解設計のための厳密で認証されたシードコンストラクタとして, RPS (Rashomon Partition Sets) を用いて, このアプローチを実証する。
• 参考スコア（独自算出の注目度）: 1.0572531098500682
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Integrating over model uncertainty in factorial designs via Bayesian model averaging is hindered by the combinatorial explosion of interpretable interaction effects, often yielding a multimodal posterior, where standard Markov chain Monte Carlo algorithms encounter significant convergence issues. We propose a general computational framework that repurposes Rashomon sets, collections of high-performing models traditionally valued for prediction and interpretability, as a strategic "warm start" for estimating the full posterior. Our method, Rashomon-seeded annealing, initializes annealed importance sampling (AIS) by anchoring the starting density within these pre-identified, high-evidence regions while preserving global support over the entire model space. Rather than restricting inference to the Rashomon set and understating uncertainty, the AIS correction restores full posterior inference, turning the Rashomon certificate from an inferential truncation into a proposal mechanism. We demonstrate this approach using Rashomon Partition Sets (RPS) as a rigorous, certified seed constructor for factorial designs. The resulting algorithm yields consistent self-normalized posterior summaries, such as model-averaged cell means, credible intervals, and uncertainty summaries without exhaustive enumeration of the complete model space. This bridges the gap between high-evidence model discovery and rigorous Bayesian inference, and outlines a general strategy in which any high-posterior seed set can provide computational leverage for AIS-based model averaging.
• Abstract（参考訳）: ベイズモデル平均化による因子設計におけるモデルの不確実性に対する積分は、解釈可能な相互作用効果の組合せの爆発によって妨げられ、しばしばマルチモーダルな後続となり、標準マルコフ連鎖モンテカルロアルゴリズムは重要な収束問題に遭遇する。 本稿では,ラショウモン集合,従来の予測と解釈可能性に価値あるハイパフォーマンスモデルの集合を,完全な後部を推定するための戦略的「ウォームスタート」として再利用する一般計算フレームワークを提案する。 提案手法は, モデル空間全体のグローバルなサポートを維持しつつ, これらの事前同定された高明度領域の開始密度を固定することにより, 熱処理による重要サンプリング(AIS)を初期化するものである。 AIS補正は、Rashomonセットへの推論を制限し、不確実性を裏付ける代わりに、完全な後部推論を復元し、Rashomon証明書を推論トランケーションから提案メカニズムに変換する。 本稿では, 因数分解設計のための厳密で認証されたシードコンストラクタとして, RPS (Rashomon Partition Sets) を用いて, このアプローチを実証する。 得られたアルゴリズムは、モデル平均化セル平均、信頼区間、不確実なサマリーなど、完全なモデル空間を徹底的に列挙することなく、一貫した自己正規化された後続サマリーを生成する。 このことは、高エビデンスモデル発見と厳密なベイズ推定のギャップを埋め、任意の高次シードセットがAISモデル平均化に計算レバレッジを提供するという一般的な戦略を概説する。

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)
• REALITrees: Rashomon Ensemble Active Learning for Interpretable Trees [21.32484182551777]
  Rashomon Ensembled Active Learning (REAL) は、すべてのほぼ最適モデルのRashomon Setを徹底的に列挙して委員会を構成する。 雑音の多い環境下では,REALはランダム化アンサンブルよりも優れていた。
  論文  参考訳（メタデータ） (2026-03-24T03:27:44Z)
• Approximate Bayesian inference for cumulative probit regression models [0.0]
  通常の分類データは、広範囲の実用的な応用で日常的に遭遇する。 累積プロビットモデルにおける回帰係数の後方分布を近似する3つのスケーラブルアルゴリズムを提案する。 本稿では,犯罪ネットワークの構造を解明するために,提案アルゴリズムの有用性について述べる。
  論文  参考訳（メタデータ） (2025-11-10T11:15:42Z)
• A Recovery Theory for Diffusion Priors: Deterministic Analysis of the Implicit Prior Algorithm [5.71305698739856]
  高次元劣化測定は、逆問題における中心的な課題である。 生成拡散モデルにおける最近の進歩は、強力なデータ駆動型前駆体の提供において、顕著な実証的な成功を示している。
  論文  参考訳（メタデータ） (2025-09-24T19:35:23Z)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• Advancing Cross-Domain Generalizability in Face Anti-Spoofing: Insights, Design, and Metrics [10.631157315662607]
  本稿では,ゼロショットデータ領域の一般化におけるアンチ・スプーフィング性能の向上に向けた新たな視点を提案する。 従来のフレームワイドのスプーフィング予測に先立ち、ビデオワイドの予測のためにフレームレベルの確率を集約するニュアンス付き計量計算を導入する。 最終モデルは、データセット全体で既存の最先端メソッドよりも優れています。
  論文  参考訳（メタデータ） (2024-06-18T04:15:22Z)
• Ensemble Modeling for Multimodal Visual Action Recognition [50.38638300332429]
  マルチモーダル動作認識のためのアンサンブルモデリング手法を提案する。 我々は,MECCANO[21]データセットの長期分布を処理するために,焦点損失の変種を用いて,個別のモダリティモデルを個別に訓練する。
  論文  参考訳（メタデータ） (2023-08-10T08:43:20Z)
• Correlation Clustering Reconstruction in Semi-Adversarial Models [70.11015369368272]
  相関クラスタリングは多くのアプリケーションにおいて重要なクラスタリング問題である。 本研究では,ランダムノイズや対向的な修正によって崩壊した潜伏クラスタリングを再構築しようとする,この問題の再構築版について検討する。
  論文  参考訳（メタデータ） (2021-08-10T14:46:17Z)
• Posterior Differential Regularization with f-divergence for Improving Model Robustness [95.05725916287376]
  クリーン入力とノイズ入力のモデル後部差を規則化する手法に着目する。 後微分正則化を$f$-divergencesの族に一般化する。 実験の結果, 後方微分を$f$-divergenceで正規化することで, モデルロバスト性の向上が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-10-23T19:58:01Z)

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。