論文の概要: Self-Balancing Sequential Sampling: Fast Convergence with Controlled Predictability

• arxiv url: http://arxiv.org/abs/2607.20818v1
• Date: Thu, 23 Jul 2026 01:10:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.255642
• Title: Self-Balancing Sequential Sampling: Fast Convergence with Controlled Predictability
• Title（参考訳）: 自己バランシングシーケンスサンプリング:予測可能性制御による高速収束
• Abstract要約: 所望の目標法則への経験分布のより高速な収束を達成するために、サンプリング確率を適応的にバイアスするシーケンシャルサンプリング規則。 自己バランス型サンプリングは実装が簡単であり、マルコフ型サンプリングのクラスの中で自然に発生する。 結果は、将来の選択を過度に予測できるようにすることなく、繰り返しの選択とカバレッジの長いギャップを減らすための実践的なフレームワークをサポートする。
• 参考スコア（独自算出の注目度）: 0.7734726150561088
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many instances of sequential sampling, including audit and inspection scheduling, representative sampling, and treatment assignment, require selections to be distributed evenly without becoming easy to anticipate or exploit. We study a family of sequential sampling rules that adaptively bias sampling probabilities in order to achieve faster convergence of the empirical distribution to a desired target law, while keeping the resulting samples as unpredictable as possible. The resulting self-balancing sampler is simple to implement, arises naturally among a class of Markovian samplers sharing a certain invariance property, and admits a stochastic mirror-descent interpretation. Our main results show that (i) this self-balancing sampler converges at the fastest possible $O(n^{-1})$ rate with explicit dependence on biasing parameters, beating the standard $O(n^{-1/2})$ rate of IID sampling, (ii) it is the unique solution to a natural entropy-regularized optimization problem which balances the convergence rate of the empirical law and the unpredictability of the samples, and (iii) in the weak-biasing regime, the properly centered counts process converges to an Ornstein-Uhlenbeck process in the diffusive limit. Together, these results support a practical framework for reducing repeated selections and long gaps in coverage without making future selections overly predictable.
• Abstract（参考訳）: 監査や検査のスケジューリング、代表的なサンプリング、処理の割り当てなど、シーケンシャルなサンプリングの多くの例では、予測や利用が容易になることなく、選択を均等に配布する必要がある。 本研究では, サンプリング確率を適応的にバイアスし, 目的法則への経験的分布の収束を早めるとともに, 得られたサンプルを可能な限り予測不能に保ちながら, サンプリング確率を適応的にバイアスする一連のサンプリング規則について検討する。 結果の自己分散サンプリングは実装が簡単で、ある不変性を共有するマルコフサンプルのクラスの中で自然に発生し、確率的ミラー・ディフレッション解釈を持つ。 私たちの主な結果は (i)この自己バランス型サンプリング器は、バイアスパラメータに明示的に依存して可能な限り早く$O(n^{-1})$レートに収束し、標準の$O(n^{-1/2})$IIDサンプリング率を上回ります。 (二)経験則の収束率とサンプルの予測不可能性のバランスをとる自然エントロピー正規化最適化問題の一意解である。 3)弱バイアス状態においては、適切な中心のカウント過程は、拡散極限においてオルンシュタイン-ウレンベック過程に収束する。 これらの結果は、将来の選択を過度に予測可能にすることなく、繰り返しの選択とカバレッジの長いギャップを減らすための実践的なフレームワークをサポートする。

関連論文リスト

• Amortized Bandwidth Learning for Kernel Density Estimation under Logarithmic Score [0.0]
  対数スコアを最適化することにより,密度推定タスクの分布のマッピングを学習するアモータイズフレームワークを提案する。 ガウス的サンプリング、多系列ベンチマーク、ランダム化ガウス混合訓練による実験は、補正されたセレクタがシルバーマンの規則を一貫して、実質的に上回っていることを示している。
  論文  参考訳（メタデータ） (2026-08-20T15:56:59Z)
• Precise: SDE-Consistent Stochastic Sampling for RL Post-Training of Flow-Matching Models [56.67321805551389]
  Reinforcement Learning (RL) は, 拡散・流れマッチングジェネレータにおいて, 迅速なアライメントと知覚品質の向上に有効な方法となっている。 探索行動の制御と力学のデノベーションを行うサンプルは、この方針の一部である。 有効探査と安定性のバランスをとる新しいサンプリング器を提案する。
  論文  参考訳（メタデータ） (2026-05-22T11:37:22Z)
• Bridge Matching Sampler: Scalable Sampling via Generalized Fixed-Point Diffusion Matching [38.70740405520393]
  Bridge Matching Sampler (BMS)は、任意の事前分布と目標分布の間のトランスポートマップを、単一でスケーラブルで安定した目的で学習することを可能にする。 本手法は, 複雑な合成密度と高次元分子ベンチマークの最先端結果が得られるとともに, モードの多様性を保ちながら, 前例のないスケールでのサンプリングが可能であることを実証した。
  論文  参考訳（メタデータ） (2026-02-28T08:00:38Z)
• Sharp Convergence Rates for Masked Diffusion Models [53.117058231393834]
  制約を克服するオイラー法に対する全変分に基づく解析法を開発した。 その結果、スコア推定の仮定を緩和し、パラメータ依存性を改善し、収束保証を確立する。 全体としては,CTMC軌道に沿った直接テレビによる誤り分解と,FHSのためのデカップリングに基づく経路解析を導入している。
  論文  参考訳（メタデータ） (2026-02-26T00:47:51Z)
• Learnable Chernoff Baselines for Inference-Time Alignment [64.81256817158851]
  本稿では,指数関数的に傾いたカーネルから効率よく,およそサンプリングする方法として,Learnerable Chernoff Baselinesを紹介した。 理想的なモデルに対する全変量保証を確立し、LCBサンプリングが理想的拒絶サンプリングと密接に一致するような連続的および離散的な拡散設定を実証する。
  論文  参考訳（メタデータ） (2026-02-08T00:09:40Z)
• Wedge Sampling: Efficient Tensor Completion with Nearly-Linear Sample Complexity [9.42598427201735]
  低ランクテンソル補完のための新しい非適応サンプリングスキームであるウェッジサンプリングを導入する。 次数$kの低ランクテンソルの次元$n倍の倍数n$を、そのエントリのサブセットから復元する。
  論文  参考訳（メタデータ） (2026-02-05T16:47:13Z)
• Achieving $\varepsilon^{-2}$ Dependence for Average-Reward Q-Learning with a New Contraction Principle [13.418969441591882]
  平均回帰マルコフ決定過程に対する同期および非同期Q-ラーニングの収束率を示す。 分析の核となるのは、インスタンス依存半ノルムの構成であり、マルコフ決定過程の遅延変換の後、ベルマン作用素がこの半ノルムの下で一段階の縮約となることを示す。
  論文  参考訳（メタデータ） (2026-01-29T05:54:31Z)
• Can Continuous-Time Diffusion Models Generate and Solve Globally Constrained Discrete Problems? A Study on Sudoku [0.0]
  完備なSudoku格子を制御されたテストベッドとして使用し、連続緩和空間のサブセットとして扱う。 本研究では, スコアベースサンプリングが連続時間法の中で最も信頼性が高く, DDPM方式の祖先サンプリングが総合的に最も有効であることを示す。
  論文  参考訳（メタデータ） (2026-01-28T08:26:54Z)
• Scaling Adversarial Training via Data Selection [0.0]
  本稿では,各ミニバッチにおける臨界サンプルのサブセットのみを摂動するemphSelective Adversa Trainingを提案する。 MNIST と CIFAR-10 の実験により,提案手法は PGD の完全対向訓練に匹敵する,あるいはそれ以上の堅牢性を達成できることが示された。
  論文  参考訳（メタデータ） (2025-12-26T15:50:33Z)
• Flipping Against All Odds: Reducing LLM Coin Flip Bias via Verbalized Rejection Sampling [59.133428586090226]
  大規模言語モデル(LLM)は、しばしば自然言語を用いて確率分布を正確に記述することができる。 このミスマッチはモンテカルロ法、エージェントベースのシミュレーション、ランダム化された意思決定などの信頼性を必要とするタスクでの使用を制限する。 本稿では,古典的リジェクションサンプリングの自然言語適応であるVerbalized Rejection Smpling (VRS)を紹介する。
  論文  参考訳（メタデータ） (2025-06-11T17:59:58Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Breaking the Spurious Causality of Conditional Generation via Fairness Intervention with Corrective Sampling [77.15766509677348]
  条件生成モデルは、トレーニングデータセットから急激な相関を継承することが多い。 これは別の潜在属性に対して不均衡なラベル条件分布をもたらす。 この問題を緩和するための一般的な2段階戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-05T08:09:33Z)

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。