論文の概要: Amortised adaptive importance sampling

• arxiv url: http://arxiv.org/abs/2610.16736v1
• Date: Mon, 12 Oct 2026 13:05:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 21:42:08.880456
• Title: Amortised adaptive importance sampling
• Title（参考訳）: Amortized Adaptive importance sample
• Abstract要約: 本稿では,適応的重要度サンプリングの枠組みを基盤とした償却サンプリング手法を提案する。 提案手法は, 被験者が訓練した家族内の対象物から効率的に試料を採取できることが示唆された。 また、トレーニングされたサンプルを用いて、トレーニングファミリーのターゲットからサンプルを採取する、一般化の可能性についても検討する。
• 参考スコア（独自算出の注目度）: 13.20059512070832
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Monte Carlo sampling algorithms aim to produce samples from a target distribution with a given unnormalised probability density function. The high cost of running Monte Carlo algorithms, with many simulation steps or particles needed to obtain a good empirical approximation to the target, can be reduced by introducing learnable components into the sampler -- a form of amortisation. Once these components are trained, amortised samplers can produce high-quality samples with less computation at sampling time than training-free algorithms would require. We propose an amortised sampler built upon the framework of adaptive importance sampling -- a hierarchical importance sampling procedure where the proposal is iteratively adapted. Our amortised adaptive importance sampling algorithm fits a lightweight neural network that adapts the proposal using information obtained over the course of sampling. By training our sampler over many different targets taken from the same family of distributions, we obtain a sampler that can adapt to a specific target at sampling time without a priori access to the target's parameters. We show that our procedure can efficiently sample from targets within the family the sampler was trained on, giving improvements over target-specific amortised samplers and training-free adaptive importance sampling algorithms. We also explore the potential for generalisation, where the trained sampler is used to sample from targets outwith its training family.
• Abstract（参考訳）: モンテカルロサンプリングアルゴリズムは、与えられた非正規化確率密度関数を持つ対象分布からサンプルを作成することを目的としている。 モンテカルロアルゴリズムを実行するコストが高く、多くのシミュレーションステップや粒子が目標に対して良好な経験的近似を得るために必要となるため、学習可能なコンポーネントをサンプルに導入することで削減することができる。 これらのコンポーネントをトレーニングすると、修正されたサンプルは、トレーニング不要のアルゴリズムが必要とするものよりもサンプリング時に少ない計算で高品質なサンプルを生成することができる。 本稿では,適応的重要度サンプリングの枠組みを基盤として,提案手法を反復的に適用した階層的重要度サンプリング手法を提案する。 適応的重要度サンプリングアルゴリズムは、サンプリングの過程で得られた情報を用いて提案に適応する軽量ニューラルネットワークに適合する。 同一分布系から抽出した多数の異なるターゲットに対して,サンプルをトレーニングすることにより,対象パラメータに事前アクセスすることなく,サンプリング時に特定のターゲットに適応できるサンプルを得る。 提案手法は, 被験者が訓練した家族内の標的から効率的にサンプルを採取できることを示し, ターゲット特異的な償却サンプルと学習不要な適応的重要サンプリングアルゴリズムを改良した。 また、トレーニングされたサンプルを用いて、トレーニングファミリーのターゲットからサンプルを採取する、一般化の可能性についても検討する。

関連論文リスト

• Learning To Sample From Diffusion Models Via Inverse Reinforcement Learning [43.678382510171986]
  拡散モデルは、ニューラルネットワークによってガイドされる反復的復調プロセスを通じてサンプルを生成する。 本稿では,サンプリング戦略の学習のための逆強化学習フレームワークを提案する。 提案手法は,事前学習した拡散モデルにより生成された試料の品質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2026-02-09T14:10:44Z)
• Enhanced Importance Sampling through Latent Space Exploration in Normalizing Flows [69.8873421870522]
  重要サンプリングはモンテカルロシミュレーションで使われる稀な事象シミュレーション手法である。 正規化フローの潜在空間における提案分布を更新し,より効率的なサンプリング法を提案する。
  論文  参考訳（メタデータ） (2025-01-06T21:18:02Z)
• Data Pruning via Moving-one-Sample-out [61.45441981346064]
  我々は移動1サンプルアウト(MoSo)と呼ばれる新しいデータ処理手法を提案する。 MoSoは、トレーニングセットから最も分かりにくいサンプルを特定し、削除することを目的としている。 実験結果から,MoSoは高プルーニング比で高い性能劣化を効果的に緩和することが示された。
  論文  参考訳（メタデータ） (2023-10-23T08:00:03Z)
• Entropy-based Training Methods for Scalable Neural Implicit Sampler [20.35664492719671]
  本稿では,制限を克服する,効率的でスケーラブルな暗黙的ニューラルサンプリング手法を提案する。 暗黙のサンプルは計算コストの低い大量のサンプルを生成することができる。 この2つのトレーニング手法を用いることで、目的の分布から学習し、生成する神経暗黙のサンプルを効果的に最適化する。
  論文  参考訳（メタデータ） (2023-06-08T05:56:05Z)
• POODLE: Improving Few-shot Learning via Penalizing Out-of-Distribution Samples [19.311470287767385]
  そこで本研究では,対象クラス外からのラベル付きサンプルの配布外サンプルを用いて,数発の学習を改善することを提案する。 提案手法は, 実装が簡単で, 特徴抽出器に非依存であり, 事前学習に要する追加コストを伴わず軽量であり, インダクティブ設定とトランスダクティブ設定の両方に適用可能である。
  論文  参考訳（メタデータ） (2022-06-08T18:59:21Z)
• Adaptive Client Sampling in Federated Learning via Online Learning with Bandit Feedback [31.826205004616227]
  クライアントサンプリングは、最適化アルゴリズムの収束率に影響を与えるため、連邦学習(FL)システムにおいて重要な役割を果たす。 サンプリング分散の最小化を目的としたオンラインミラー降下(OSMD)アルゴリズムを提案する。 本手法は, 広く使用されている一様サンプリングよりも, フェデレーション最適化アルゴリズムの収束速度を向上できることを示す。
  論文  参考訳（メタデータ） (2021-12-28T23:50:52Z)
• Unrolling Particles: Unsupervised Learning of Sampling Distributions [102.72972137287728]
  粒子フィルタリングは複素系の優れた非線形推定を計算するために用いられる。 粒子フィルタは様々なシナリオにおいて良好な推定値が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-06T16:58:34Z)
• AutoSampling: Search for Effective Data Sampling Schedules [118.20014773014671]
  モデル学習のためのサンプリングスケジュールを自動的に学習するAutoSampling法を提案する。 提案手法の有効性を示す様々な画像分類タスクに本手法を適用した。
  論文  参考訳（メタデータ） (2021-05-28T09:39:41Z)
• One for More: Selecting Generalizable Samples for Generalizable ReID Model [92.40951770273972]
  本稿では,選択したサンプルを損失関数として一般化する1対3の学習目標を提案する。 提案した1対3のサンプルは,ReIDトレーニングフレームワークにシームレスに統合できる。
  論文  参考訳（メタデータ） (2020-12-10T06:37:09Z)

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。