論文の概要: Deep Adaptive Bayesian Screening

• arxiv url: http://arxiv.org/abs/2607.16927v1
• Date: Sat, 18 Jul 2026 18:41:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.303789
• Title: Deep Adaptive Bayesian Screening
• Title（参考訳）: 深層適応ベイズスクリーニング
• Authors: Jade Lejeune Herman, Arno Strouwen, Johan A. K. Suykens, Peter Goos,
• Abstract要約: Deep Adaptive Bayesian Screening (DABS) は、高次元離散設計空間において適応因子スクリーニングを行う方法である。 DABSはポリシーネットワークをオフラインで学習し、順次情報的実験を選択する。 バイナリデザインを処理し、強い遺伝性を持つ前にスパイク・アンド・スラブを介して、スパーシリティとインタラクションを組み込む。
• 参考スコア（独自算出の注目度）: 9.954131380437433
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Deep Adaptive Bayesian Screening (DABS), a method for performing adaptive factorial screening in high-dimensional discrete design spaces. DABS learns a policy network offline to sequentially select informative experiments, amortizing Bayesian Optimal Experimental Design. It handles binary designs, incorporates sparsity and interactions via a spike-and-slab prior with strong heredity. The model is trained using a contrastive lower bound on information about factor activity with nuisance effect sizes and noise variance analytically integrated out. Unlike prior amortized Bayesian design approaches, DABS also integrates Gibbs posterior inference at deployment, yielding posterior probabilities of factor activity and credible intervals on effect sizes. We demonstrate DABS on screening problems calibrated to real-world benchmarks and show it achieves superior accuracy and scalability over classical and Bayesian baselines under tight experimental budgets.
• Abstract（参考訳）: 本稿では,高次元離散設計空間における適応因子スクリーニング手法であるDeep Adaptive Bayesian Screening (DABS)を紹介する。 DABSはポリシーネットワークをオフラインで学習し、ベイジアン最適実験設計を記憶する。 バイナリデザインを処理し、強い遺伝性を持つ前にスパイク・アンド・スラブを介して、スパーシリティとインタラクションを組み込む。 このモデルは、ノイズ効果の大きさとノイズ分散を解析的に統合した要因活動に関する情報に対して、対照的な低境界を用いて訓練される。 以前の償却ベイズ設計のアプローチとは異なり、DABSはデプロイ時のギブス後部推論も統合し、影響の大きさに対する因子活性と信頼区間の後方確率を導出する。 実世界のベンチマークに校正されたスクリーニング問題に対するDABSの実証を行い、厳密な実験予算下での古典的およびベイズ的ベースラインよりも精度とスケーラビリティを向上することを示した。

関連論文リスト

• Differentially Private Log-Location-Scale Regression Using Functional Mechanism [1.2277343096128712]
  本稿では,差分プライバシをLSレグレッションに組み込んだDP-LLS回帰モデルを提案する。 提案するDP-LLSモデルが$epsilon$-differential privacyを満足することを示す。
  論文  参考訳（メタデータ） (2024-04-12T04:14:08Z)
• The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
  フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。 提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-25T09:18:51Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• Sensitivity-Aware Amortized Bayesian Inference [8.753065246797561]
  感度分析は、様々なモデリング選択が統計的分析の結果に与える影響を明らかにする。 ニューラルネットワークを用いたシミュレーションベース推論に感度解析を統合するための多面的アプローチである感性認識型ベイズ推論(SA-ABI)を提案する。 本稿では,本手法が病気発生のダイナミクスや地球温暖化のしきい値から人的意思決定に至るまで,応用モデリング問題における有効性を示す。
  論文  参考訳（メタデータ） (2023-10-17T10:14:10Z)
• Interventions, Where and How? Experimental Design for Causal Models at Scale [47.63842422086614]
  観測データと介入データからの因果発見は、限られたデータと非識別性のために困難である。 本稿では,ベイジアン因果発見の最近の進歩を,ベイジアン最適実験設計フレームワークに取り入れる。 本稿では, 線形および非線形SCMの合成グラフと, シリコン内単一細胞遺伝子制御ネットワークデータセットであるDREAMの性能について述べる。
  論文  参考訳（メタデータ） (2022-03-03T20:59:04Z)
• Pseudo-Spherical Contrastive Divergence [119.28384561517292]
  エネルギーベースモデルの最大学習確率を一般化するために,擬球面コントラスト分散(PS-CD)を提案する。 PS-CDは難解な分割関数を避け、学習目的の一般化されたファミリーを提供する。
  論文  参考訳（メタデータ） (2021-11-01T09:17:15Z)
• Learning Control Barrier Functions from Expert Demonstrations [69.23675822701357]
  制御障壁関数(CBF)に基づく安全な制御器合成のための学習に基づくアプローチを提案する。 最適化に基づくCBFの学習手法を解析し、基礎となる力学系のリプシッツ仮定の下で証明可能な安全保証を享受する。 私たちの知る限りでは、これらはデータから確実に安全な制御障壁関数を学習する最初の結果です。
  論文  参考訳（メタデータ） (2020-04-07T12:29:06Z)
• Learnable Bernoulli Dropout for Bayesian Deep Learning [53.79615543862426]
  Learnable Bernoulli Dropout (LBD) は、他のモデルパラメータと共に最適化されたパラメータとしてドロップアウト率を考慮する新しいモデルに依存しないドロップアウトスキームである。 LBDは画像分類とセマンティックセグメンテーションにおける精度と不確実性の推定を改善する。
  論文  参考訳（メタデータ） (2020-02-12T18:57:14Z)

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。