論文の概要: Projective Preferential Bayesian Optimization
- arxiv url: http://arxiv.org/abs/2002.03113v4
- Date: Fri, 14 Aug 2020 12:10:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 22:20:22.293143
- Title: Projective Preferential Bayesian Optimization
- Title（参考訳）: 射影優先ベイズ最適化
- Authors: Petrus Mikkola, Milica Todorovi\'c, Jari J\"arvi, Patrick Rinke,
Samuel Kaski
- Abstract要約: 本研究では,高次元空間におけるユーザの好みを学習するためのベイズ最適化手法を提案する。
我々のフレームワークは、高次元のブラックボックス関数のグローバル最小値を見つけることができる。
- 参考スコア（独自算出の注目度）: 12.431251769382888
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bayesian optimization is an effective method for finding extrema of a
black-box function. We propose a new type of Bayesian optimization for learning
user preferences in high-dimensional spaces. The central assumption is that the
underlying objective function cannot be evaluated directly, but instead a
minimizer along a projection can be queried, which we call a projective
preferential query. The form of the query allows for feedback that is natural
for a human to give, and which enables interaction. This is demonstrated in a
user experiment in which the user feedback comes in the form of optimal
position and orientation of a molecule adsorbing to a surface. We demonstrate
that our framework is able to find a global minimum of a high-dimensional
black-box function, which is an infeasible task for existing preferential
Bayesian optimization frameworks that are based on pairwise comparisons.
- Abstract（参考訳）: ベイズ最適化はブラックボックス関数の極値を見つける効果的な方法である。
高次元空間におけるユーザの好みを学習するための新しいタイプのベイズ最適化を提案する。
中心的な仮定は、基礎となる目的関数を直接評価することはできないが、プロジェクションに沿った最小化関数を問うことができ、それが射影優先クエリと呼ばれる。
クエリの形式は、人間が与えることが自然なフィードバックを可能にし、対話を可能にします。
これは、ユーザフィードバックが、表面に吸着する分子の最適な位置と配向という形で現れるユーザー実験で実証される。
我々は,このフレームワークが,ペア比較に基づくベイズ最適化フレームワークにおいて実現不可能な,高次元ブラックボックス関数のグローバル最小値を見つけることができることを示した。
関連論文リスト
- A survey and benchmark of high-dimensional Bayesian optimization of discrete sequences [12.248793682283964]
個々のブラックボックス機能を最適化することは、タンパク質工学や薬物設計など、いくつかの領域において重要である。
我々は,高次元ベイズ最適化手法と標準化されたブラックボックス関数の集合を幅広くテストするための統一的なフレームワークを開発する。
これらのベンチマークの2つのコンポーネントはそれぞれ、柔軟でスケーラブルで容易に拡張可能なソフトウェアライブラリによってサポートされています。
論文 参考訳（メタデータ） (2024-06-07T08:39:40Z) - Poisson Process for Bayesian Optimization [126.51200593377739]
本稿では、Poissonプロセスに基づくランキングベースの代理モデルを提案し、Poisson Process Bayesian Optimization(PoPBO)と呼ばれる効率的なBOフレームワークを提案する。
従来のGP-BO法と比較すると,PoPBOはコストが低く,騒音に対する堅牢性も良好であり,十分な実験により検証できる。
論文 参考訳（メタデータ） (2024-02-05T02:54:50Z) - A General Framework for User-Guided Bayesian Optimization [51.96352579696041]
コラボ (ColaBO) は、典型的なカーネル構造を超越した事前信念のための最初のベイズ原理の枠組みである。
我々は,ColaBOの事前情報が正確である場合に最適化を著しく高速化し,ミスリード時のほぼ既定性能を維持する能力を実証的に実証した。
論文 参考訳（メタデータ） (2023-11-24T18:27:26Z) - NUBO: A Transparent Python Package for Bayesian Optimization [0.0]
NUBOは物理実験やコンピュータシミュレータなどのブラックボックス機能を最適化するためのフレームワークである。
透明性とユーザエクスペリエンスを重視し、ベイズ最適化をあらゆる分野の研究者が利用できるようにする。
NUBOはPythonで書かれているが、シミュレータや実験を最適化するためにPythonの専門知識は必要ない。
論文 参考訳（メタデータ） (2023-05-11T10:34:27Z) - Experience in Engineering Complex Systems: Active Preference Learning
with Multiple Outcomes and Certainty Levels [1.5257326975704795]
ブラックボックス最適化とは、目的関数と/または制約集合が未知、到達不能、あるいは存在しない問題を指す。
この特定の情報を活用するために、いわゆるActive Preference Learningと呼ばれるアルゴリズムが開発された。
我々のアプローチは、さらなる情報を効果的に活用できるような方法でアルゴリズムを拡張することを目的としている。
論文 参考訳（メタデータ） (2023-02-27T15:55:37Z) - Generalizing Bayesian Optimization with Decision-theoretic Entropies [102.82152945324381]
統計的決定論の研究からシャノンエントロピーの一般化を考える。
まず,このエントロピーの特殊なケースがBO手順でよく用いられる獲得関数に繋がることを示す。
次に、損失に対する選択肢の選択が、どのようにして柔軟な獲得関数の族をもたらすかを示す。
論文 参考訳（メタデータ） (2022-10-04T04:43:58Z) - Surrogate modeling for Bayesian optimization beyond a single Gaussian
process [62.294228304646516]
本稿では,探索空間の活用と探索のバランスをとるための新しいベイズ代理モデルを提案する。
拡張性のある関数サンプリングを実現するため、GPモデル毎にランダムな特徴ベースのカーネル近似を利用する。
提案した EGP-TS を大域的最適に収束させるため,ベイズ的後悔の概念に基づいて解析を行う。
論文 参考訳（メタデータ） (2022-05-27T16:43:10Z) - Incorporating Expert Prior in Bayesian Optimisation via Space Warping [54.412024556499254]
大きな探索空間では、アルゴリズムは関数の最適値に達する前に、いくつかの低関数値領域を通過する。
このコールドスタートフェーズの1つのアプローチは、最適化を加速できる事前知識を使用することである。
本稿では,関数の事前分布を通じて,関数の最適性に関する事前知識を示す。
先行分布は、探索空間を最適関数の高確率領域の周りに拡張し、最適関数の低確率領域の周りに縮小するようにワープする。
論文 参考訳（メタデータ） (2020-03-27T06:18:49Z) - Human Preference-Based Learning for High-dimensional Optimization of
Exoskeleton Walking Gaits [55.59198568303196]
この研究は、LineCoSparという、高次元でユーザの好みを学習するヒューマン・イン・ザ・ループの好みベースのフレームワークを提示する。
シミュレーションと人為的試行において,LineCoSparは高次元の選好最適化のためのサンプル効率のよい手法であることを実証的に検証した。
この結果はエキソ骨格の歩行合成に影響を及ぼし,臨床応用と患者のリハビリテーションに有効である。
論文 参考訳（メタデータ） (2020-03-13T22:02:15Z) - Composition of kernel and acquisition functions for High Dimensional
Bayesian Optimization [0.1749935196721634]
目的関数の追加性を用いて、ベイズ最適化のカーネルと取得関数の両方をマッピングする。
このap-proachは確率的代理モデルの学習/更新をより効率的にする。
都市給水システムにおけるポンプの制御を実運用に適用するための結果が提示された。
論文 参考訳（メタデータ） (2020-03-09T15:45:57Z) - Finding Optimal Points for Expensive Functions Using Adaptive RBF-Based
Surrogate Model Via Uncertainty Quantification [11.486221800371919]
本稿では,適応的放射基底関数 (RBF) を用いた不確実性定量化によるサロゲートモデルを用いた新しいグローバル最適化フレームワークを提案する。
まずRBFに基づくベイズ代理モデルを用いて真の関数を近似し、新しい点が探索されるたびにRBFのパラメータを適応的に推定し更新することができる。
次に、モデル誘導選択基準を用いて、関数評価のための候補セットから新しい点を識別する。
論文 参考訳（メタデータ） (2020-01-19T16:15:55Z)
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。