論文の概要: Deep adaptive design with an evidential bias criterion
- arxiv url: http://arxiv.org/abs/2608.16466v2
- Date: Sun, 23 Aug 2026 02:53:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 18:24:36.881842
- Title: Deep adaptive design with an evidential bias criterion
- Title（参考訳）: 明らかなバイアス基準を持つ深層適応設計
- Abstract要約: 我々は,これまで期待される情報ゲイン(EIG)基準に用いられてきたポリシーベースのディープアダプティブデザインフレームワークを考察する。
BA目的物上のトラクタブル上限の最小化は、分散ペナル化EIG基準の最大化と等価である。
BAとEIGの設計の違いはいくつかの例で示されている。
- 参考スコア（独自算出の注目度）: 2.8181814396517955
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Bayesian optimal experimental design (BOED) aims to collect informative data by optimizing an expected utility reflecting the goals of an experiment. However, this optimization is computationally challenging for common utilities and complex models. This is especially so for sequential or adaptive designs, where design and data collection alternate, so that feedback from already observed data must be taken into account. Most existing BOED research employs information gain as the utility, leading to the expected information gain (EIG) criterion. While EIG is widely useful, it may not always adequately reflect experimental goals. EIG can be viewed as rewarding experiments that produce large positive evidence for the truth on average, but it does not directly control the risk of an experiment producing misleading evidence. Here we consider an alternative criterion, which we call bias against (BA), that prioritizes such control. To address computational challenges when applying this criterion for adaptive design, we consider a policy-based deep adaptive design framework, which has previously been used for the EIG criterion. Minimizing a tractable upper bound on the BA objective is equivalent to maximizing a variance-penalized EIG criterion, and we optimize the latter by approximating it by Monte Carlo and learning design policies using stochastic gradient methods. The differences between BA and EIG designs are demonstrated in several examples including the adaptive design of a complex discrete choice experiment.
- Abstract（参考訳）: ベイズ最適実験設計(BOED)は,実験の目的を反映した期待効用を最適化することにより,情報収集を目的とする。
しかし、この最適化は一般的なユーティリティや複雑なモデルでは計算が困難である。
これは、設計とデータ収集を交互に行うシーケンシャルな設計や適応的な設計に特に当てはまり、既に観測されているデータからのフィードバックを考慮に入れなければならない。
既存のBOED研究の多くは情報ゲインをユーティリティとして採用しており、期待される情報ゲイン(EIG)基準を導いている。
EIGは広く有用であるが、必ずしも実験目標を適切に反映するとは限らない。
EIGは、平均的な真理に対する大きな肯定的な証拠を生み出す報奨実験と見なすことができるが、誤った証拠を生み出す実験のリスクを直接制御することはできない。
ここでは、そのようなコントロールを優先する、バイアス(BA)と呼ばれる代替基準を検討します。
適応設計にこの基準を適用した際の計算上の課題に対処するために,以前はEIG基準に使用されていたポリシーに基づく深層適応設計フレームワークを検討する。
BA目標のトラクタブルな上界の最小化は、分散ペナル化EIG基準の最大化と等価であり、モンテカルロによる近似と確率勾配法による設計方針の学習により後者を最適化する。
BAとEIGの設計の違いは、複雑な離散選択実験の適応設計を含むいくつかの例で示されている。
関連論文リスト
- Preference Data Selection for Mitigating the Alignment Tax in Large Language Models [52.18310687523229]
BALIGNは、アライメント効率を最適化しながら破滅的な忘れを緩和するバランスのとれたデータ選択戦略である。
3つの重要なデータ中心の機能を統一された複合リスクスコアに集約することにより、BALIGNは、ハイリスクな選好サンプルを体系的にフィルタリングする。
標準的な人間の嗜好データセットの実験では、BALIGNはアライメントゲインを損なうことなく基礎的能力を強く保持している。
論文 参考訳（メタデータ） (2026-08-25T07:58:42Z) - eXact-Prior Variational Autoencoder (X-VAE): Learning Data-Adaptive Gaussian Mixture Priors for Latent Distributions [24.959038626924922]
変分オートエンコーダ (VAEs) は一般に、潜在空間上の標準等方的ガウスを仮定する。
eXact-Prior Variational Autoencoder (X-VAE) は、事前訓練されたオートエンコーダ(AE)の潜在表現から派生したガウス的先行表現に置き換えるフレームワークである。
実験結果から,X-VAEは再現性を維持しつつ,経験的データ分布に整合した潜在表現を生成できることが示された。
論文 参考訳（メタデータ） (2026-06-30T23:05:06Z) - Observationally Informed Adaptive Causal Experimental Design [55.998153710215654]
本稿では,観測モデルを基礎的先行として活用する新たなパラダイムであるアクティブ残留学習を提案する。
このアプローチは、実験的な焦点を、目標因果量の学習から、観察バイアスの補正に必要な残差を効率的に推定するへとシフトさせる。
合成および半合成ベンチマークの実験は、R-Designがベースラインを大幅に上回ることを示した。
論文 参考訳（メタデータ） (2026-03-04T06:52:37Z) - Supercharging Simulation-Based Inference for Bayesian Optimal Experimental Design [12.68772511482115]
ベイズ最適実験(BOED)は、期待される実験の情報ゲインを最大化する。
EIGは、現代のSBI密度推定器を直接活用できる複数の定式化を認めている。
グラデーションに基づくEIG設計の鍵となるボトルネックを特定し、単純なマルチスタート並列勾配上昇手順が信頼性と性能を大幅に向上できることを示す。
論文 参考訳（メタデータ） (2026-02-06T17:50:00Z) - A Likelihood-Free Approach to Goal-Oriented Bayesian Optimal Experimental Design [0.0]
本稿では,非線形観測および予測モデルを用いたGO-OEDの計算方法であるLF-GO-OED(likelihood-free goal-oriented optimal experiment design)を紹介する。
暗黙のモデルに適応するように特別に設計されている。
本手法は既存の方法によるベンチマーク問題で検証され,疫学および神経科学の科学的応用で実証された。
論文 参考訳（メタデータ） (2024-08-18T19:45:49Z) - Implicitly Guided Design with PropEn: Match your Data to Follow the Gradient [52.2669490431145]
PropEnは'matching'にインスパイアされている。
一致したデータセットによるトレーニングは、データ分布内に留まりながら、興味のある性質の勾配を近似することを示す。
論文 参考訳（メタデータ） (2024-05-28T11:30:19Z) - Task-specific experimental design for treatment effect estimation [59.879567967089145]
因果推論の標準は大規模ランダム化試験(RCT)である。
近年の研究では、RCTのよりサンプル効率の良い代替案が提案されているが、これらは因果効果を求める下流の応用には適用できない。
実験的な設計のためのタスク固有のアプローチを開発し、特定の下流アプリケーションにカスタマイズされたサンプリング戦略を導出する。
論文 参考訳（メタデータ） (2023-06-08T18:10:37Z) - Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。
実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-10-07T02:12:34Z) - Robust Expected Information Gain for Optimal Bayesian Experimental
Design Using Ambiguity Sets [0.0]
我々は、経験的期待情報ゲイン(REIG)を定義し、分析する。
REIGは、摂動分布のあいまいな集合上でのEIGのアフィン緩和を最小化することにより、EIGの目的を変更したものである。
EIGを推定するためのサンプリングベースアプローチと組み合わせると、REIGはEIGを推定するのに使用するサンプルの対数-sum-expの安定化に対応することを示す。
論文 参考訳（メタデータ） (2022-05-20T01:07:41Z) - Optimal Bayesian experimental design for subsurface flow problems [77.34726150561087]
本稿では,設計ユーティリティ機能のためのカオス拡張サロゲートモデル(PCE)の開発のための新しいアプローチを提案する。
この手法により,対象関数に対する適切な品質応答面の導出が可能となり,計算予算は複数の単点評価に匹敵する。
論文 参考訳（メタデータ） (2020-08-10T09:42:59Z) - On the Convergence Rate of Projected Gradient Descent for a
Back-Projection based Objective [58.33065918353532]
我々は、最小二乗(LS)の代替として、バックプロジェクションに基づく忠実度項を考える。
LS項ではなくBP項を用いることで最適化アルゴリズムの繰り返しを少なくすることを示す。
論文 参考訳（メタデータ） (2020-05-03T00:58:23Z)
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。