MARC

 008260126s2023        us                              c    eng  d
■001000017358743
■00520260202104745
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798290652245
■035    ▼a(MiAaPQ)AAI32149746
■035    ▼a(MiAaPQ)Stanfordxh086kx1071
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a500
■1001  ▼aXu,  Huanzhong.
■24510▼aMCMC  With  Substitutions  and  Multi-Armed  Bandits  With  Covariates:  Theory  and  Applications
■260    ▼a[Sl]▼bStanford  University▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a94  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Mancilla,  Jose  Blanchet.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2023.
■520    ▼aThe  thesis  covers  three  areas  of  study:  Markov  Chain  Monte  Carlo,  multi-armed  bandits,  and  reliability  of  object  detection  models.  Each  part  begins  with  a  review  of  relevant  literature  and  a  discussion  of  the  motivation  behind  our  novel  algorithm.  We  then  present  our  main  theoretical  findings,  accompanied  by  proofs  detailed  in  the  appendices.  Finally,  we  showcase  the  results  of  our  simulation  studies  and  real-world  applications  of  our  algorithms.The  first  part  is  in  the  area  of  multi-armed  bandits,  and  we  introduce  a  new  approach  to  nonparametric  multi-armed  bandit  theory  involving  both  the  bandit  and  the  covariate  processes.  The  extension  to  bandit  processes  with  a  non-denumerable  set  of  arms  is  also  discussed.  The  approach  we  develop  herein  can  be  readily  extended  to  continuous-time  processes  by  using  ε-greedy  randomization  and  arm  elimination  instead  of  dynamic  allocation  indices.  It  also  carries  out  a  stochastic  search  with  O(1)  expected  time  for  a  nearly  optimal  arm  at  covariate  values  in  a  given  set  before  applying  ε-greedy  randomization  and  arm  elimination.  The  procedure  is  shown  to  attain  the  asymptotically  minimal  rates  for  the  regret  over  the  given  set.  This  chapter  is  based  on  Kim  et  al.  (2021)  and  Lai  et  al.  (2022).The  second  part  is  in  the  area  of  Markov  Chain  Monte  Carlo  (MCMC),  and  we  discuss  a  new  adaptive  MCMC  algorithm  where  acceptance  rates  are  significantly  improved.  The  basic  idea  is  to  approximate  a  target  distribution  by  the  empirical  distribution  of  V  representative  atoms,  chosen  sequentially  by  an  MCMC  scheme  so  that  the  distribution  converges  weakly  to  the  target  distribution  as  the  number  of  iterations  goes  to  infinity.  Making  use  of  coupling  arguments  and  bounds  on  the  total  variation  norm  of  the  difference  between  the  target  distribution  and  the  empirical  measure  defined  by  the  sample  paths  of  the  MCMC  scheme,  we  establish  the  asymptotic  normality  of  the  Monte  Carlo  estimate  of  a  functional  of  the  target  distribution  and  provide  a  consistent  estimator  of  its  standard  error.  This  chapter  is  based  on  in  Lai  et  al.  (2021b).The  third  part  is  in  the  area  of  object  detection,  and  we  build  a  data-driven  methodology  for  the  performance  reliability  and  the  improvement  of  sensor  algorithms  for  automated  driving  perception  tasks.  The  methodology  takes  as  input  three  elements:  one  or  various  algorithms  for  object  detection  when  the  input  is  an  image,  a  dataset  of  camera  images  that  represents  a  sample  from  an  environment,  and  a  simple  policy  that  serves  as  a  proxy  for  a  task  such  as  driving  assistance.  We  develop  a  statistical  estimator,  which  combines  these  elements  and  a  data  augmentation  technique,  in  order  to  rank  the  reliability  of  perception  algorithms.  Reliability  is  measured  as  the  chance  of  collision  given  the  speed  of  the  ego  vehicle  and  the  distance  to  the  closest  object  in  range.  We  are  able  to  compare  algorithms  in  the  (speed  vs  distance-to-closest-object)  space  using  p-values  and  use  this  information  to  suggest  improved-safety  algorithms.  This  chapter  is  based  on  Xu  et  al.  (2021).
■590    ▼aSchool  code:  0212.
■650  4▼aKinematics
■650  4▼aSample  size
■650  4▼aDynamic  programming
■650  4▼aGaming  machines
■650  4▼aCognitive  models
■650  4▼aAtoms  &  subatomic  particles
■650  4▼aMarkov  analysis
■650  4▼aParameter  estimation
■650  4▼aApplied  mathematics
■650  4▼aComputer  science
■650  4▼aComputational  physics
■653    ▼aKinematics
■653    ▼aDynamic  programming
■690    ▼a0364
■690    ▼a0984
■690    ▼a0216
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358743▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서