論文の概要: A Simple and General Approach to top-$k$ Selection

• arxiv url: http://arxiv.org/abs/2610.26407v2
• Date: Tue, 20 Oct 2026 13:12:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.349228
• Title: A Simple and General Approach to top-$k$ Selection
• Title（参考訳）: トップ$k$選択へのシンプルで一般的なアプローチ
• Abstract要約: 意思決定者は、未知の品質のアイテムのプールから$k$アイテムを選択する。 本稿では,サロゲートの目的を最小化することで,各サンプルのバッチを割り当てる手法を提案する。 提案手法は,任意のサンプリング規則により達成可能な最良率の少なくとも半分の指数速度で,後続の予測される機会コストが低下することを証明する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper considers the Bayesian top-$k$ identification problem, wherein a decision maker is tasked with selecting $k$ items from a pool of items of unknown quality. To assess the items, the decision maker adaptively allocates a fixed sampling budget, where each sample of an item yields a noisy observation of its quality, with the objective of minimizing the expected opportunity cost of the selected set. We propose an approach that allocates each batch of samples by minimizing a surrogate objective derived from an upper bound on the expected opportunity cost. The approach is general: samples can be allocated in batches, the selection size $k$ is arbitrary, and it applies to many sampling distributions. It is also simple and intuitive. We prove that the method's posterior expected opportunity cost decays at an exponential rate of at least half the best rate achievable by any sampling rule. In simulations across a wide range of settings, the method is competitive with, and often improves upon, the best existing algorithm in each setting.
• Abstract（参考訳）: 本稿では,意思決定者が未知の品質のアイテムのプールから$k$のアイテムを選択するという,ベイズ的トップ・$kの識別問題について考察する。 アイテムを評価するために、決定者は、選択されたセットの期待される機会コストを最小化することを目的として、アイテムの各サンプルがその品質のノイズを観測する固定サンプリング予算を適応的に割り当てる。 提案手法は,期待される機会コストの上限から導出される代理対象を最小化することにより,各サンプルのバッチを割り当てるアプローチである。 サンプルをバッチで割り当てることができ、選択サイズ$k$は任意であり、多くのサンプリング分布に適用できる。 単純で直感的でもある。 提案手法は,任意のサンプリング規則により達成可能な最良率の少なくとも半分の指数速度で,後続の予測される機会コストが低下することを証明する。 幅広い設定のシミュレーションにおいて、この手法は各設定において最良の既存のアルゴリズムと競合し、しばしば改善される。

関連論文リスト

• Sample-Efficient Generative Conformal Prediction [7.1603511160472]
  生成共形予測は条件生成器のサンプルから不確実性セットを構築する。 既存の手法では、各入力で同じ数のサンプルを描画し、応答分布が単純で、複雑なところでアンダーサンプリングされるサンプルを浪費する。 本稿では,追加サンプルの限界値を特徴付けるCASAを提案し,期待値のサイズを最小化するために,入力全体にわたってサンプルを割り当てる。
  論文  参考訳（メタデータ） (2026-10-08T06:44:45Z)
• Leveraging Inference-Time Compute for Diffusion Models via Global Scheduling of Denoising Trajectories [16.711750527598827]
  拡散モデルは、純雑音をターゲット分布からのドローに変換する一連のノイズ低減ステップであるデノイング軌跡をトラバースしてサンプルを生成する。 これによってリソース割り当ての疑問が持ち上がります – 探索の作業は、denoising trajectoryのステップにまたがってどのように分散されるべきなのでしょうか? ステップサイズで先行する順に、ステップにおいて$K$の候補を評価することで期待される利益が、内因性、ステップ固有の感度パラメータに、普遍的なサンプルサイズファクターの倍に分解されることを示す。 実験により,提案したアロケーションは,機能評価を20～50%減らして,一様ベンチマークの品質を達成できることが示された。
  論文  参考訳（メタデータ） (2026-09-19T08:10:33Z)
• Contextual Learning for Stochastic Optimization [1.0819408603463425]
  最適化によってモチベーションを得て,文脈値分布のサンプルから学習する問題を導入する。 各サンプルは、コンテキスト$x$と、対応する実値分布$D_x$から引き出されたランダム変数からなる。
  論文  参考訳（メタデータ） (2025-05-22T16:01:49Z)
• Adaptive Refinement Protocols for Distributed Distribution Estimation under $\ell^p$-Losses [9.766173684831324]
  通信制約のある$ellp$損失の離散分布の推定を考える。 我々は、ほとんどのパラメーター系における問題の最小値の最適値を得る。
  論文  参考訳（メタデータ） (2024-10-09T13:46:08Z)
• Optimal Budgeted Rejection Sampling for Generative Models [54.050498411883495]
  判別器を用いた生成モデルの性能向上のために, 還元サンプリング法が提案されている。 提案手法は,まず,最適に最適である最適予算削減サンプリング方式を提案する。 第2に,モデル全体の性能を高めるために,サンプリング方式をトレーニング手順に組み込んだエンドツーエンド手法を提案する。
  論文  参考訳（メタデータ） (2023-11-01T11:52:41Z)
• Ranking Inferences Based on the Top Choice of Multiway Comparisons [2.468314282946207]
  本稿では、各試行においてランダムに選択された項目のうち、上位選択の観測データに基づいて、$n$アイテムのランキングを考察する。 これは、M$-wayランキングに対するプラケット=リュックモデルの有用な修正であり、最高選択のみを観測し、M=2$に対応する祝賀されたブラッドリー=テリー=リュックモデルの延長である。
  論文  参考訳（メタデータ） (2022-11-22T02:34:52Z)
• Active Sampling of Multiple Sources for Sequential Estimation [92.37271004438406]
  本研究の目的は,パラメータを逐次推定するアクティブサンプリングアルゴリズムを設計し,信頼性の高い推定値を生成することである。 本稿では, エンフ条件推定コスト関数を導入し, 最近, トラクタブル解析を施した逐次推定手法を提案する。
  論文  参考訳（メタデータ） (2022-08-10T15:58:05Z)
• Navigating to the Best Policy in Markov Decision Processes [68.8204255655161]
  マルコフ決定過程における純粋探索問題について検討する。 エージェントはアクションを逐次選択し、結果のシステム軌道から可能な限り早くベストを目標とする。
  論文  参考訳（メタデータ） (2021-06-05T09:16:28Z)
• A Provably Efficient Sample Collection Strategy for Reinforcement Learning [123.69175280309226]
  オンライン強化学習(RL)における課題の1つは、エージェントがその振る舞いを最適化するために、環境の探索とサンプルの活用をトレードオフする必要があることである。 1) 生成モデル(環境のスパースシミュレータなど)にアクセス可能な状態のサンプル数を規定する「対象別」アルゴリズム,2) 所定のサンプルをできるだけ早く生成する「対象別」サンプル収集。
  論文  参考訳（メタデータ） (2020-07-13T15:17:35Z)
• Sampling from a $k$-DPP without looking at all items [58.30573872035083]
  カーネル関数とサブセットサイズ$k$が与えられた場合、我々のゴールは、サブセットによって誘導されるカーネル行列の行列式に比例する確率を持つ$n$アイテムから$k$をサンプリングすることである(つまり$k$-DPP)。 既存の$k$-DPPサンプリングアルゴリズムは、すべての$n$アイテムを複数回パスする高価な前処理ステップを必要とするため、大規模なデータセットでは利用できない。 そこで我々は, 十分大きなデータの均一なサンプルを適応的に構築し, より小さな$k$のアイテムを効率よく生成するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-06-30T16:40:44Z)

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。