論文の概要: Upper Trust Bound Feasibility Criterion for Mixed Constrained Bayesian
Optimization with Application to Aircraft Design
- arxiv url: http://arxiv.org/abs/2005.05067v2
- Date: Tue, 12 May 2020 08:59:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-04 19:52:54.100872
- Title: Upper Trust Bound Feasibility Criterion for Mixed Constrained Bayesian
Optimization with Application to Aircraft Design
- Title（参考訳）: 混合制約ベイズ最適化のための上層信頼境界性能基準と航空機設計への応用
- Authors: R\'emy Priem ((1) and (2)), Nathalie Bartoli (1), Youssef Diouane (2),
Alessandro Sgueglia ((1) and (2)) ((1) ONERA, DTIS, Universit\'ee de
Toulouse, Toulouse, France, (2) ISAE-SUPAERO, Universit\'ee de Toulouse,
Toulouse, 31055 Cedex 4, France)
- Abstract要約: 我々は、より正確に混合された制約問題を解決するために、いわゆる超効率的なグローバル最適化アルゴリズムを適用する。
本研究は, 数値実験におけるアプローチの可能性を示すものである。
- 参考スコア（独自算出の注目度）: 41.74498230885008
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Bayesian optimization methods have been successfully applied to black box
optimization problems that are expensive to evaluate. In this paper, we adapt
the so-called super effcient global optimization algorithm to solve more
accurately mixed constrained problems. The proposed approach handles
constraints by means of upper trust bound, the latter encourages exploration of
the feasible domain by combining the mean prediction and the associated
uncertainty function given by the Gaussian processes. On top of that, a
refinement procedure, based on a learning rate criterion, is introduced to
enhance the exploitation and exploration trade-off. We show the good potential
of the approach on a set of numerical experiments. Finally, we present an
application to conceptual aircraft configuration upon which we show the
superiority of the proposed approach compared to a set of the state-of-the-art
black box optimization solvers. Keywords: Global Optimization, Mixed
Constrained Optimization, Black box optimization, Bayesian Optimization,
Gaussian Process.
- Abstract（参考訳）: ベイズ最適化法は評価に費用がかかるブラックボックス最適化問題にうまく適用されている。
本稿では,超効率的なグローバル最適化アルゴリズムを適用し,より正確な混合制約問題の解法を提案する。
提案手法は、平均予測とガウス過程によって与えられる関連する不確実性関数を組み合わせることで、実現可能な領域の探索を促進する。
さらに, 学習率基準に基づく改良手順を導入し, エクスプロイトと探索のトレードオフを強化する。
本研究は, 数値実験におけるアプローチの可能性を示すものである。
最後に,提案手法の優位性を示す概念的航空機構成への応用について,最先端のブラックボックス最適化問題の集合と比較した。
キーワード:グローバル最適化、混合制約最適化、ブラックボックス最適化、ベイズ最適化、ガウス過程。
関連論文リスト
- A Novel Unified Parametric Assumption for Nonconvex Optimization [53.943470475510196]
非最適化は機械学習の中心であるが、一般の非凸性は弱い収束を保証するため、他方に比べて悲観的すぎる。
非凸アルゴリズムに新しい統一仮定を導入する。
論文 参考訳（メタデータ） (2025-02-17T21:25:31Z) - Indirect Query Bayesian Optimization with Integrated Feedback [17.66813850517961]
我々は,未知関数の条件付き期待値$f$を最適化することで,統合されたフィードバックが与えられるような,ベイズ最適化の新たなクラスを開発する。
目的は、条件分布によって変換された空間を適応的にクエリし、観察することで、$f$のグローバルな最適値を見つけることである。
これは、プライバシ、ハードウェア、計算上の制約による直接的なフィードバックにアクセスできない現実世界のアプリケーションによって動機付けられている。
論文 参考訳（メタデータ） (2024-12-18T07:20:33Z) - Principled Preferential Bayesian Optimization [22.269732173306192]
優先ベイズ最適化(BO)の問題について検討する。
一対の候補解よりも優先的なフィードバックしか持たないブラックボックス関数を最適化することを目指している。
この問題を解決するために,効率的な計算手法を用いた楽観的アルゴリズムを開発した。
論文 参考訳（メタデータ） (2024-02-08T02:57:47Z) - Enhancing Gaussian Process Surrogates for Optimization and Posterior Approximation via Random Exploration [2.984929040246293]
ガウス過程シュロゲートモデルの精度を高めるために、ランダムな探索ステップに依存する新しいノイズフリーベイズ最適化戦略。
新しいアルゴリズムは、古典的なGP-UCBの実装の容易さを維持しているが、さらなる探索がそれらの収束を促進する。
論文 参考訳（メタデータ） (2024-01-30T14:16:06Z) - 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) - Optimizer Amalgamation [124.33523126363728]
私たちは、Amalgamationという新しい問題の研究を動機付けています。"Teacher"アマルガメーションのプールを、より強力な問題固有のパフォーマンスを持つ単一の"学生"にどのように組み合わせるべきなのでしょうか?
まず、勾配降下による解析のプールをアマルガメートする3つの異なるメカニズムを定義する。
また, プロセスの分散を低減するため, 目標を摂動させることでプロセスの安定化を図る。
論文 参考訳（メタデータ） (2022-03-12T16:07:57Z) - Bayesian Optimisation for Constrained Problems [0.0]
本稿では,制約を扱える知恵グラディエント獲得関数の新たな変種を提案する。
我々は、このアルゴリズムを、他の4つの最先端制約されたベイズ最適化アルゴリズムと比較し、その優れた性能を実証する。
論文 参考訳（メタデータ） (2021-05-27T15:43:09Z) - Global Optimization of Gaussian processes [52.77024349608834]
少数のデータポイントで学習したガウス過程を訓練した空間定式化を提案する。
このアプローチはまた、より小さく、計算的にもより安価なサブソルバを低いバウンディングに導く。
提案手法の順序の順序による時間収束を,総じて低減する。
論文 参考訳（メタデータ） (2020-05-21T20:59:11Z) - Incorporating Expert Prior Knowledge into Experimental Design via
Posterior Sampling [58.56638141701966]
実験者は、グローバルな最適な場所に関する知識を得ることができる。
グローバル最適化に関する専門家の事前知識をベイズ最適化に組み込む方法は不明である。
効率の良いベイズ最適化手法は、大域的最適の後方分布の後方サンプリングによって提案されている。
論文 参考訳（メタデータ） (2020-02-26T01:57:36Z) - Scalable Constrained Bayesian Optimization [10.820024633762596]
ブラックボックス制約下での高次元ブラックボックス関数のグローバルな最適化は、機械学習、制御、科学コミュニティにおける普及的なタスクである。
本稿では,上記の課題を克服し,現状を推し進めるスケーラブルな制約付きベイズ最適化(SCBO)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-02-20T01:48:46Z)
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。