ترجمه فارسی مقاله کنترل خطای نمودار نامتقارن با پیچیدگی کم در باندیت های علّی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Asymmetric Graph Error Control with Low Complexity in Causal Bandits
عنوان مقاله به فارسی کنترل خطای نمودار نامتقارن با پیچیدگی کم در باندیت های علّی
نویسندگان Chen Peng, Di Zhang, Urbashi Mitra
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Signal Processing,یادگیری ماشین , پردازش سیگنال ,
توضیحات Submitted 20 August, 2024; originally announced August 2024.
توضیحات به فارسی 20 اوت 2024 ارسال شد.در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

In this paper, the causal bandit problem is investigated, in which the objective is to select an optimal sequence of interventions on nodes in a causal graph. It is assumed that the graph is governed by linear structural equations; it is further assumed that both the causal topology and the distribution of interventions are unknown. By exploiting the causal relationships between the nodes whose signals contribute to the reward, interventions are optimized. First, based on the difference between the two types of graph identification errors (false positives and negatives), a causal graph learning method is proposed, which strongly reduces sample complexity relative to the prior art by learning sub-graphs. Under the assumption of Gaussian exogenous inputs and minimum-mean squared error weight estimation, a new uncertainty bound tailored to the causal bandit problem is derived. This uncertainty bound drives an upper confidence bound based intervention selection to optimize the reward. To cope with non-stationary bandits, a sub-graph change detection mechanism is proposed, with high sample efficiency. Numerical results compare the new methodology to existing schemes and show a substantial performance improvement in both stationary and non-stationary settings. Compared to existing approaches, the proposed scheme takes 67% fewer samples to learn the causal structure and achieves an average reward gain of 85%.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ، مشکل راهزن علی بررسی شده است که در آن هدف انتخاب یک توالی بهینه از مداخلات روی گره ها در یک نمودار علی است.فرض بر این است که این نمودار توسط معادلات ساختاری خطی اداره می شود.علاوه بر این فرض بر این است که هم توپولوژی علی و هم توزیع مداخلات ناشناخته است.با بهره برداری از روابط علی بین گره هایی که سیگنال های آنها به پاداش کمک می کند ، مداخلات بهینه می شوند.اول ، بر اساس تفاوت بین دو نوع خطاهای شناسایی نمودار (مثبت و منفی کاذب) ، یک روش یادگیری نمودار علّی ارائه شده است ، که با یادگیری زیر بخش ها ، پیچیدگی نمونه نسبت به هنر قبلی را به شدت کاهش می دهد.با فرض ورودی های اگزوژن گاوسی و تخمین وزن خطای حداقل متوسط ​​مربع ، عدم اطمینان جدید محدود به مشکل راهزن علّی حاصل می شود.این محدودیت عدم اطمینان ، انتخاب مداخله مبتنی بر اعتماد به نفس بالا را برای بهینه سازی پاداش سوق می دهد.برای مقابله با راهزنان غیر ثابت ، مکانیسم تشخیص تغییر زیر بخش با راندمان نمونه بالا ارائه شده است.نتایج عددی روش جدید را با طرح های موجود مقایسه می کند و بهبود عملکرد قابل توجهی در هر دو تنظیم ثابت و غیر ثابت نشان می دهد.در مقایسه با رویکردهای موجود ، طرح پیشنهادی 67 ٪ نمونه های کمتری برای یادگیری ساختار علی می گیرد و به افزایش متوسط ​​پاداش 85 ٪ می رسد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.