論文の概要: Modelling Human Active Search in Optimizing Black-box Functions

• arxiv url: http://arxiv.org/abs/2003.04275v1
• Date: Mon, 9 Mar 2020 17:34:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 09:35:36.457192
• Title: Modelling Human Active Search in Optimizing Black-box Functions
• Title（参考訳）: ブラックボックス関数最適化におけるヒューマンアクティブサーチのモデル化
• Authors: Antonio Candelieri, Riccardo Perego, Ilaria Giordani, Andrea Ponti, Francesco Archetti
• Abstract要約: 本研究では,最大値を求める人間の行動とベイズ最適化における確率モデルとの関係に着目した。 双方の代理モデルを用いた60人の被験者による制御実験により、ベイズ最適化が人間の活動学習の個々のパターンを表現する一般的なモデルを提供することを確認した。
• 参考スコア（独自算出の注目度）: 0.1631115063641726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modelling human function learning has been the subject of in-tense research in cognitive sciences. The topic is relevant in black-box optimization where information about the objective and/or constraints is not available and must be learned through function evaluations. In this paper we focus on the relation between the behaviour of humans searching for the maximum and the probabilistic model used in Bayesian Optimization. As surrogate models of the unknown function both Gaussian Processes and Random Forest have been considered: the Bayesian learning paradigm is central in the development of active learning approaches balancing exploration/exploitation in uncertain conditions towards effective generalization in large decision spaces. In this paper we analyse experimentally how Bayesian Optimization compares to humans searching for the maximum of an unknown 2D function. A set of controlled experiments with 60 subjects, using both surrogate models, confirm that Bayesian Optimization provides a general model to represent individual patterns of active learning in humans
• Abstract（参考訳）: 人間の機能学習をモデル化することは認知科学におけるインセンス研究の主題となっている。 このトピックは、目的および/または制約に関する情報が入手できず、関数評価を通じて学ぶ必要があるブラックボックス最適化に関係している。 本稿では,最大値を求める人間の行動とベイズ最適化における確率モデルとの関係に注目した。 ガウス過程とランダムフォレストの両方の未知関数の代理モデルとして、ベイズ学習パラダイムは、大きな決定空間における効果的な一般化に向けて、不確実な条件における探索と探索のバランスをとる活発な学習アプローチの開発の中心である。 本稿では,ベイズ最適化が未知の2次元関数の最大値を求める人間とどのように比較されるかを実験的に解析する。 双方の代理モデルを用いた60人の被験者による制御実験により、ベイズ最適化が人間の活動学習の個々のパターンを表現する一般的なモデルを提供することを確認した。

関連論文リスト

• AlignDiff: Aligning Diverse Human Preferences via Behavior-Customisable Diffusion Model [69.12623428463573]
  AlignDiffは、人間の好みを定量化し、抽象性をカバーし、拡散計画をガイドする新しいフレームワークである。 ユーザがカスタマイズした動作と正確に一致し、効率的に切り替えることができます。 選好マッチング,スイッチング,カバーにおいて,他のベースラインに比べて優れた性能を示す。
  論文  参考訳（メタデータ） (2023-10-03T13:53:08Z)
• Predictive Modeling through Hyper-Bayesian Optimization [60.586813904500595]
  本稿では,モデル選択とBOを統合する新しい手法を提案する。 このアルゴリズムは、モデル空間のBOと関数空間のBOの間を行き来する。 サンプル効率の改善に加えて、ブラックボックス機能に関する情報も出力する。
  論文  参考訳（メタデータ） (2023-08-01T04:46:58Z)
• Mastering the exploration-exploitation trade-off in Bayesian Optimization [0.2538209532048867]
  取得関数は、探索とエクスプロイトの間のバランスを評価するための次のソリューションの選択を駆動する。 本稿では,爆発的選択と搾取的選択のトレードオフを適応的に習得する,新たな獲得機能を提案する。
  論文  参考訳（メタデータ） (2023-05-15T13:19:03Z)
• Self-Correcting Bayesian Optimization through Bayesian Active Learning [46.235017111395344]
  ハイパーパラメータ学習を明示的に優先する2つの獲得関数を提案する。 次に、SALを拡張してベイズ最適化とアクティブラーニングを同時に行う自己補正ベイズ最適化(SCoreBO)を導入する。
  論文  参考訳（メタデータ） (2023-04-21T14:50:53Z)
• Bayesian multi-objective optimization for stochastic simulators: an extension of the Pareto Active Learning method [0.0]
  本稿では,高い出力分散を有するシミュレータの多目的最適化に着目する。 我々はベイズ最適化アルゴリズムを用いて最適化すべき関数の予測を行う。
  論文  参考訳（メタデータ） (2022-07-08T11:51:48Z)
• Pre-training helps Bayesian optimization too [49.28382118032923]
  機能的事前設定のための代替的なプラクティスを模索する。 特に、より厳密な分布を事前訓練できるような、類似した関数のデータを持つシナリオを考察する。 提案手法は, 競合する手法の少なくとも3倍の効率で, 優れたハイパーパラメータを見つけることができることを示す。
  論文  参考訳（メタデータ） (2022-07-07T04:42:54Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Approximate Bayesian Optimisation for Neural Networks [6.921210544516486]
  モデル選択の重要性を強調するために、機械学習アルゴリズムを自動化するための一連の作業が行われた。 理想主義的な方法で解析的トラクタビリティと計算可能性を解決する必要性は、効率と適用性を確保することを可能にしている。
  論文  参考訳（メタデータ） (2021-08-27T19:03:32Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• Efficient Model-Based Reinforcement Learning through Optimistic Policy Search and Planning [93.1435980666675]
  最先端の強化学習アルゴリズムと楽観的な探索を容易に組み合わせることができることを示す。 我々の実験は、楽観的な探索が行動に罰則がある場合、学習を著しくスピードアップすることを示した。
  論文  参考訳（メタデータ） (2020-06-15T18:37:38Z)
• A Comparison of Methods for Treatment Assignment with an Application to Playlist Generation [13.804332504576301]
  文献で提案される様々な手法をアルゴリズムの3つの一般的なクラス(またはメタナー)に分類する。 結果や因果効果の予測を最適化することは、治療課題の最適化と同じではないことを分析的および実証的に示す。 これは、大規模な実世界のアプリケーションにおける3つの異なるメタラーナーの最初の比較である。
  論文  参考訳（メタデータ） (2020-04-24T04:56:15Z)

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。