論文の概要: Hybrid Neural Simulation-Based Inference for Robust Applications and Limited-Budget Scenarios

• arxiv url: http://arxiv.org/abs/2609.36044v1
• Date: Mon, 28 Sep 2026 18:08:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 04:28:51.318052
• Title: Hybrid Neural Simulation-Based Inference for Robust Applications and Limited-Budget Scenarios
• Title（参考訳）: ハイブリッドニューラルネットワークによるロバスト応用と限定予算シナリオの推論
• Abstract要約: 我々はニューラルシミュレーションベース推論(N SBI)解析の性能にアプローチする2つのハイブリッド手法を開発した。 第1のアプローチは広く適用でき、第2のアプローチは半パラメトリックなN SBIの定式化を含む粒子物理学のクラスに適合する。
• 参考スコア（独自算出の注目度）: 0.4699825956909532
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop two hybrid techniques that approach the performance of neural simulation-based inference (NSBI) analyses while substantially reducing the computational cost of inference and preserving some or all of the reliability guarantees of parametric methods. The first approach is broadly applicable, while the second is tailored to a class of particle physics analyses that admit a semi-parametric NSBI formulation. With only a modest compromise in raw sensitivity, these methods represent an important step toward computationally efficient NSBI in offline analyses and also open the door to the exploration of trigger-level applications in the future. Based on our comparison studies, we recommend the use of our first approach, Latent Categories, for robust and efficient inference.
• Abstract（参考訳）: 本研究では,ニューラルネットワークに基づく推論(NSBI)解析の性能にアプローチする2つのハイブリッド手法を開発し,推論の計算コストを大幅に削減し,パラメトリックな手法の信頼性を保証する。 第1のアプローチは広く適用でき、第2のアプローチは半パラメトリックNSBIの定式化を含む粒子物理学のクラスに適合する。 生の感度をわずかに損なうだけで、これらの手法はオフライン分析における計算効率の良いNSBIへの重要な一歩であり、将来トリガーレベルのアプリケーションの探索への扉を開くことになる。 比較研究に基づいて、ロバストで効率的な推論のために、最初のアプローチであるLatent Categoriesを使うことを推奨する。

関連論文リスト

• Evolution of Optimization Methods: Algorithms, Scenarios, and Evaluations [98.44542103979735]
  勾配勾配降下法(SGD)とアダム(Adam)による1次勾配勾配降下法は、現代の訓練パイプラインの基礎となる。 大規模モデルトレーニング、厳格なプライバシ要件、分散学習パラダイムは、プライバシ保護とメモリ効率に関する従来のアプローチにおける重要な制限を明らかにする。 深層学習最適化アルゴリズムの進化軌道を振り返って分析し、様々なモデルアーキテクチャやトレーニングシナリオの主流を包括的に評価する。 我々は、重要な新興トレンドと基本設計のトレードオフを抽出し、将来の研究の有望な方向性を示唆する。
  論文  参考訳（メタデータ） (2026-04-14T17:01:36Z)
• Achieving $\widetilde{\mathcal{O}}(\sqrt{T})$ Regret in Average-Reward POMDPs with Known Observation Models [69.1820058966619]
  平均逆無限水平POMDPを未知の遷移モデルで扱う。 この障壁を克服する斬新でシンプルな推定器を提示する。
  論文  参考訳（メタデータ） (2025-01-30T22:29:41Z)
• Constrained Hybrid Metaheuristic Algorithm for Probabilistic Neural Networks Learning [0.3686808512438362]
  本研究では、確率論的ニューラルネットワーク(PNN)のトレーニングを強化するためのハイブリッドメタヒューリスティックアルゴリズムの可能性について検討する。 勾配に基づくアプローチのような伝統的な学習手法は、しばしば高次元で不確実な環境を最適化するのに苦労する。 本稿では,複数の個体群に基づく最適化手法を組み合わせた制約付きハイブリッドメタヒューリスティック(cHM)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-26T19:49:16Z)
• Verifying Properties of Binary Neural Networks Using Sparse Polynomial Optimization [8.323690755070123]
  本稿では,バイナリニューラルネットワーク(BNN)の特性検証手法について検討する。 フル精度のBNNと同様、入力の摂動にも敏感だ。 スパース多項式最適化から導かれる半有限プログラミング緩和を用いた代替手法を提案する。
  論文  参考訳（メタデータ） (2024-05-27T11:03:48Z)
• Reachability Analysis of Neural Networks with Uncertain Parameters [0.0]
  本稿では,ニューラルネットワークの到達可能性解析に新たな2つのアプローチを導入する。 本稿では,重みと偏りの不確かさに対処する場合に,その状況が大きく逆転することを示す。
  論文  参考訳（メタデータ） (2023-03-14T14:00:32Z)
• Log Barriers for Safe Black-box Optimization with Application to Safe Reinforcement Learning [72.97229770329214]
  本稿では,学習時の安全性維持が不可欠である高次元非線形最適化問題に対する一般的なアプローチを提案する。 LBSGDと呼ばれるアプローチは、慎重に選択されたステップサイズで対数障壁近似を適用することに基づいている。 安全強化学習における政策課題の違反を最小限に抑えるためのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-07-21T11:14:47Z)
• On the efficiency of Stochastic Quasi-Newton Methods for Deep Learning [0.0]
  深部記憶ネットワークのための準ニュートン学習アルゴリズムの動作について検討する。 準ニュートンは効率が良く、よく知られたAdamの1次実行よりも性能が優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-18T20:53:58Z)
• Comparative Analysis of Interval Reachability for Robust Implicit and Feedforward Neural Networks [64.23331120621118]
  我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。 INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。 提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
  論文  参考訳（メタデータ） (2022-04-01T03:31:27Z)

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。