論文の概要: Beyond Effective Sample Size: Effective Number of Proposals for Adaptive Importance Sampling
- arxiv url: http://arxiv.org/abs/2608.15154v1
- Date: Sat, 15 Aug 2026 10:12:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.212578
- Title: Beyond Effective Sample Size: Effective Number of Proposals for Adaptive Importance Sampling
- Title（参考訳）: 効果的なサンプルサイズを超えて: 適応的重要度サンプリングのための効果的な提案数
- Abstract要約: 個体群に基づく適応的重要度サンプリング(AIS)手法は、複雑なターゲット分布を近似するために一連の提案密度を使用する。
人口ベースAISの類似性を考慮した提案レベル診断である提案数(ENP)について紹介する。
- 参考スコア（独自算出の注目度）: 5.921604401717801
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Population-based adaptive importance sampling (AIS) methods use a set of proposal densities to approximate complex target distributions. Their performance is commonly assessed through effective sample size (ESS) and related weight-based diagnostics, which measure the concentration of normalized importance weights. However, a large ESS only indicates that the normalized sample weights are not strongly concentrated; it does not describe how the proposal components are arranged in the sampling space. In population-based AIS, several proposal components may generate samples in the same region of the target, so the sample weights can appear well balanced even though the effective number of distinct proposal components is small. This letter introduces the effective number of proposals (ENP), a similarity-aware proposal-level diagnostic for population-based AIS. ENP combines the total normalized weight assigned to each proposal with a redundancy measure computed from similarities among target-weighted samples, estimating the number of non-redundant empirical proposal contributions to the approximation. We establish basic effective-number properties and show that ENP detects proposal collapse and duplication missed by standard ESS. We also illustrate its use as a targeted feedback signal for proposal rejuvenation.
- Abstract（参考訳）: 個体群に基づく適応的重要度サンプリング(AIS)手法は、複雑なターゲット分布を近似するために一連の提案密度を使用する。
それらの性能は、有効なサンプルサイズ(ESS)と、正常化された重みの濃度を測定する関連する重みに基づく診断によって評価される。
しかし、大きなESSは、正規化標本重量が強く集中していないことを示すだけであり、サンプル空間に提案成分がどのように配置されているかは記述していない。
人口ベースAISでは、いくつかの提案コンポーネントがターゲットの同じ領域でサンプルを生成する可能性があるため、異なる提案コンポーネントの有効数が小さい場合でも、標本重量はバランスよく見える。
本報告では,人口ベースAISにおける類似性を考慮した提案レベル診断である,提案の有効数(ENP)について紹介する。
ENPは、各提案に割り当てられた総正規化重量と、目標重み付きサンプル間の類似性から算出された冗長度を組み合わせ、近似に対する非冗長な経験的提案の回数を推定する。
提案手法の基本的な有効数特性を確立し,ENPが提案の崩壊や,標準のESSで欠落した重複を検出することを示す。
また、提案の復活のための目標フィードバック信号としての利用についても説明する。
関連論文リスト
- Mind the Unseen Mass: Unmasking LLM Hallucinations via Soft-Hybrid Alphabet Estimation [1.1230191950153754]
ブラックボックスアクセス下の大規模言語モデルの不確実性定量化について検討する。
効果的な意味的アルファベットサイズ - すなわち、サンプルされた応答で表される異なる意味の数 - を推定すると、下流のリスクに有用なプロキシを提供する。
そこで我々は,Good-Turingカバレッジと正規化ラプラシアンの熱カーネルトレースを組み合わせた簡易かつ解釈可能な推定器SHADEを提案する。
論文 参考訳（メタデータ） (2026-04-21T07:16:05Z) - Entropic Mirror Monte Carlo [15.556187883029937]
本稿では,効率的な提案分布構築のための新しい適応手法を提案する。
提案アルゴリズムは,グローバルサンプリング機構と遅延重み付け手法を組み合わせることで,目標分布の効率的な探索を促進する。
論文 参考訳（メタデータ） (2026-02-03T06:32:35Z) - Predictive Sample Assignment for Semantically Coherent Out-of-Distribution Detection [62.1052001316508]
セマンティック・コヒーレント・アウト・オブ・ディストリビューション検出(SCOOD)は、最近提案された現実的なOOD検出設定である。
予測サンプル割当て(PSA)に基づく簡潔SCOODフレームワークを提案する。
我々の手法は最先端の手法よりも大きなマージンで優れている。
論文 参考訳（メタデータ） (2025-12-15T01:18:38Z) - Towards Size-invariant Salient Object Detection: A Generic Evaluation and Optimization Approach [118.75896764188424]
本稿では,既存の広範に使用されているSalient Object Detectionメトリクスの固有サイズ感度を明らかにするために,新しい視点を示す。
この課題に対処するため、汎用的なサイズ不変評価(SIEva)フレームワークが提案されている。
さらに、サイズ不変の原理に固執する専用最適化フレームワーク(SIOpt)を開発し、幅広いサイズにわたる有能な物体の検出を大幅に強化する。
論文 参考訳（メタデータ） (2025-09-19T04:12:14Z) - Sampling as Bandits: Evaluation-Efficient Design for Black-Box Densities [5.029813736862755]
bandit importance sample (BIS) は、ターゲット密度を評価するのに高価な設定のために設計された新しい種類の重要サンプリング手法である。
BISはサンプルを直接設計し、宇宙を埋めるデザインとマルチアームのバンディットを組み合わせたシーケンシャルな戦略で設計する。
論文 参考訳（メタデータ） (2025-09-01T12:47:32Z) - Scalable Importance Sampling in High Dimensions with Low-Rank Mixture Proposals [37.634056981112444]
重要サンプリングは、希少事象の可能性を効率的に推定するモンテカルロ法である。
本稿では,重要サンプリングのためのパラメータ提案密度として,確率的主成分分析器(MPPCA)の混合物を提案する。
提案手法を3つの模擬システム上で検証し, サンプル効率と故障分布評価の質に一貫した利得を示す。
論文 参考訳（メタデータ） (2025-05-19T16:44:48Z) - Selecting Learnable Training Samples is All DETRs Need in Crowded
Pedestrian Detection [72.97320260601347]
混雑した歩行者検出では, サンプル選択法が不適切であるため, DETRの性能は相変わらず不満足である。
制約誘導ラベル割り当てスキーム(CGLA)からなる群集歩行者のサンプル選択を提案する。
実験の結果,提案したSSCPは推論のオーバーヘッドを発生させることなく,ベースラインを効果的に改善することがわかった。
論文 参考訳（メタデータ） (2023-05-18T08:28:01Z) - Reweighted Mixup for Subpopulation Shift [63.1315456651771]
サブポピュレーションシフトは、多くの実世界のアプリケーションに存在し、同じサブポピュレーショングループを含むが異なるサブポピュレーション比率を持つトレーニングとテストの分布を指す。
重要度再重み付けは、サブポピュレーションシフトを処理する古典的で効果的な方法である。
我々は、オーバーフィッティング問題を緩和するために、reweighted mixupと呼ばれるシンプルで実用的なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-04-09T03:44:50Z) - Proposal Distribution Calibration for Few-Shot Object Detection [65.19808035019031]
few-shot object detection (FSOD)では、重度のサンプル不均衡を軽減するために、2段階の訓練パラダイムが広く採用されている。
残念ながら、極端なデータ不足は、提案の分布バイアスを増大させ、RoIヘッドが新しいクラスに進化するのを妨げます。
本稿では,RoIヘッドのローカライゼーションと分類能力を高めるために,単純かつ効果的な提案分布キャリブレーション(PDC)手法を提案する。
論文 参考訳（メタデータ） (2022-12-15T05:09:11Z) - BR-SNIS: Bias Reduced Self-Normalized Importance Sampling [11.150337082767862]
重要サンプリング(Importance Smpling、IS)とは、提案分布と関連する重要度から独立したサンプルを用いて、目標分布下での期待を近似する手法である。
本稿では,SNISの複雑さが本質的に同じであり,分散を増大させることなくバイアスを大幅に低減するBR-SNISを提案する。
提案アルゴリズムには、新しいバイアス、分散、高確率境界を含む厳密な理論的結果を与える。
論文 参考訳（メタデータ） (2022-07-13T17:14:10Z) - Deconfounding Scores: Feature Representations for Causal Effect
Estimation with Weak Overlap [140.98628848491146]
推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。
分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。
特に,この手法が標準正規化の魅力的な代替となることを示す。
論文 参考訳（メタデータ） (2021-04-12T18:50:11Z)
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。