वितरणात्मक रूप से बाधित ब्लैक-बॉक्स स्टोकास्टिक ग्रेडिएंट आँकलन और अनुकूलन

स्टोकास्टिक अनुकूलन में स्टोकास्टिक ग्रेडिएंट आँकलक और अवनति एल्गोरिदम बनाना एक मुख्य समस्या है। ब्लैक-बॉक्स सेटिंग में, यानी जब केवल शोर वाली फ़ंक्शन मूल्यांकन उपलब्ध होते हैं, ऐसे ग्रेडिएंट आँकलक सामान्यतः सीमित अंतर के माध्यम से निर्मित होते हैं। इस संदर्भ में, कुछ योजनाएँ हैं जो संभावित रूप से कई आयामों के लिए केवल कुछ नमूना अवलोकनों या अनुकरण दौड़ों के माध्यम से ग्रेडिएंट आँकलक प्राप्त करने का प्रयास करती हैं। हालाँकि, संभाव्यता सिम्प्लेक्स बाधाओं वाली समस्याओं के लिए, जो वितरणात्मक रूप से मजबूत विश्लेषण से लेकर प्रतिकूल मॉडल कैलिब्रेशन तक की एक श्रृंखला में उत्पन्न होती हैं, ये योजनाएँ किसी न किसी तरीके से पूर्वाग्रह-भिन्नता को बाधा-संगत तरीके से संतुलित करने का प्रयास करते समय चुनौतियों का सामना करती हैं। यह हमें यादृतिक विकृति उत्पन्न करने वाले जनरेटर और आँकलन योजनाओं के लिए एक नया डिज़ाइन ढांचा बनाने के लिए प्रेरित करता है जो इन चुनौतियों को दरकिनार करता है। हमारे संचित आँकलकों की श्रेणी, जो डिरिचलेट मिश्रण पर आधारित है, विभिन्न ब्लैक-बॉक्स सेटिंग्स के तहत वितरणात्मक रूप से बाधित ग्रेडिएंट आँकलन और अनुकूलन में प्रभावी रूप से कार्य कर रही है।