論文の概要: srMO-BO-3GP: A sequential regularized multi-objective constrained
Bayesian optimization for design applications
- arxiv url: http://arxiv.org/abs/2007.03502v3
- Date: Tue, 31 Aug 2021 16:37:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 18:13:23.417782
- Title: srMO-BO-3GP: A sequential regularized multi-objective constrained
Bayesian optimization for design applications
- Title（参考訳）: srMO-BO-3GP:設計応用のための連続正規化多目的制約ベイズ最適化
- Authors: Anh Tran, Mike Eldred, Scott McCann, Yan Wang
- Abstract要約: 逐次設定でMO最適化問題を解くために, srMO-BO-3GP と呼ばれる新しい多目的拡張(MO)を提案する。
提案手法は,いくつかの数値ベンチマーク関数と,フリップチップパッケージ設計のための熱力学的有限要素モデルを用いて実証される。
- 参考スコア（独自算出の注目度）: 7.571408082650611
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bayesian optimization (BO) is an efficient and flexible global optimization
framework that is applicable to a very wide range of engineering applications.
To leverage the capability of the classical BO, many extensions, including
multi-objective, multi-fidelity, parallelization, latent-variable model, have
been proposed to improve the limitation of the classical BO framework. In this
work, we propose a novel multi-objective (MO) extension, called srMO-BO-3GP, to
solve the MO optimization problems in a sequential setting. Three different
Gaussian processes (GPs) are stacked together, where each of the GP is assigned
with a different task: the first GP is used to approximate the single-objective
function, the second GP is used to learn the unknown constraints, and the third
GP is used to learn the uncertain Pareto frontier. At each iteration, a MO
augmented Tchebycheff function converting MO to single-objective is adopted and
extended with a regularized ridge term, where the regularization is introduced
to smoothen the single-objective function. Finally, we couple the third GP
along with the classical BO framework to promote the richness and diversity of
the Pareto frontier by the exploitation and exploration acquisition function.
The proposed framework is demonstrated using several numerical benchmark
functions, as well as a thermomechanical finite element model for flip-chip
package design optimization.
- Abstract（参考訳）: ベイズ最適化(bayesian optimization, bo)は、非常に幅広いエンジニアリングアプリケーションに適用可能な、効率的で柔軟なグローバル最適化フレームワークである。
古典的なboの能力を活用するために、マルチ目的、マルチ忠実度、並列化、潜在変数モデルを含む多くの拡張が提案され、古典的なboフレームワークの制限を改善している。
本研究では,mo最適化問題を逐次的に解くために,srmo-bo-3gpと呼ばれる新しい多目的(mo)拡張を提案する。
3つの異なるガウス過程(GP)が組み合わされ、それぞれのGPが別のタスクに割り当てられる: 第一のGPは単目的関数を近似するために、第二のGPは未知の制約を学ぶために、第三のGPは不確実なパレートフロンティアを学ぶために使用される。
各イテレーションにおいて、MOを単目的に変換するMO拡張Tchebycheff関数を採用し、正規化リッジ項で拡張し、正規化を導入して単目的関数を円滑化する。
最後に,第3のGPと古典的なBOフレームワークを結合して,パレートフロンティアの豊かさと多様性を,エクスプロイトと探索獲得関数によって促進する。
提案手法は,いくつかの数値ベンチマーク関数と,フリップチップパッケージ設計のための熱力学的有限要素モデルを用いて実証される。
関連論文リスト
- Decoding-Time Language Model Alignment with Multiple Objectives [116.42095026960598]
既存の手法は主に、1つの報酬関数に対してLMを最適化することに集中し、それらの適応性は様々な目的に制限される。
本稿では,予測の線形結合から次のトークンを出力する復号時間アルゴリズムである$textbfmulti-objective decoding (MOD)$を提案する。
提案手法は, 自然条件下であっても, 既存のアプローチが準最適であることを示すとともに, 提案手法の最適性を保証する。
論文 参考訳（メタデータ） (2024-06-27T02:46:30Z) - A Quadrature Approach for General-Purpose Batch Bayesian Optimization via Probabilistic Lifting [29.476428264123644]
GPyTorch/BoTorchをベースとしたPythonライブラリであるSOBERと呼ばれるカーネル二次構造を用いた確率的昇降によるバッチベイズ最適化のための汎用的でモジュール化されたフレームワークを提案する。
1) 統一されたアプローチ下での下流タスクの冗長性。
2) ドメインに依存しないサンプリング(例えば、離散変数と混合変数、非ユークリッド空間)を提供する、取得関数の勾配を必要としない勾配のないサンプリング器。
論文 参考訳（メタデータ） (2024-04-18T14:30:46Z) - BOtied: Multi-objective Bayesian optimization with tied multivariate ranks [33.414682601242006]
本稿では,非支配解と結合累積分布関数の極端量子化との自然な関係を示す。
このリンクにより、我々はPareto対応CDFインジケータと関連する取得関数BOtiedを提案する。
種々の合成および実世界の問題に対する実験により,BOtied は最先端MOBO 取得関数より優れていることが示された。
論文 参考訳（メタデータ） (2023-06-01T04:50:06Z) - Multi-Objective GFlowNets [59.16787189214784]
本稿では,多目的最適化の文脈において,多様な候補を生成する問題について検討する。
薬物発見やマテリアルデザインといった機械学習の多くの応用において、目標は、競合する可能性のある目標のセットを同時に最適化する候補を生成することである。
GFlowNetsをベースとした多目的GFlowNets(MOGFNs)を提案する。
論文 参考訳（メタデータ） (2022-10-23T16:15:36Z) - 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) - R-MBO: A Multi-surrogate Approach for Preference Incorporation in
Multi-objective Bayesian Optimisation [0.0]
本稿では,多目的BOにおける意思決定者の嗜好として,目的関数を目的関数値に組み込むための,a-priori Multi-surrogateアプローチを提案する。
ベンチマークと実世界の最適化問題に対する既存モノ代理手法との比較は,提案手法の可能性を示している。
論文 参考訳（メタデータ） (2022-04-27T19:58:26Z) - Optimization-Inspired Learning with Architecture Augmentations and
Control Mechanisms for Low-Level Vision [74.9260745577362]
本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。
フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。
低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
論文 参考訳（メタデータ） (2020-12-10T03:24:53Z) - Planning with Submodular Objective Functions [118.0376288522372]
準モジュラー目的関数を用いて計画を行い、累積報酬を最大化する代わりに、劣モジュラー関数によって誘導される値の最大化を目標とする。
本フレームワークは, 基本性制約を特別な場合として, 標準計画と準モジュラー目標を仮定する。
論文 参考訳（メタデータ） (2020-10-22T16:55:12Z) - Multi-Objective Matrix Normalization for Fine-grained Visual Recognition [153.49014114484424]
双線形プールは細粒度視覚認識(FGVC)において大きな成功を収める
近年,行列パワー正規化は双線形特徴量において2次情報を安定化させることができることが示されている。
両線形表現を同時に正規化できる効率的な多目的行列正規化法(MOMN)を提案する。
論文 参考訳（メタデータ） (2020-03-30T08:40:35Z)
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。