論文の概要: MISO-wiLDCosts: Multi Information Source Optimization with Location
Dependent Costs
- arxiv url: http://arxiv.org/abs/2102.04951v1
- Date: Tue, 9 Feb 2021 17:04:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-10 15:08:57.098464
- Title: MISO-wiLDCosts: Multi Information Source Optimization with Location
Dependent Costs
- Title（参考訳）: MISO-wiLDCosts: 位置情報依存コストによるマルチソース最適化
- Authors: Antonio Candelieri, Francesco Archetti
- Abstract要約: 本稿では,複数の情報ソースに対するブラックボックス最適化について述べる。
i) Augmented Gaussian Process、(i) Augmented Gaussian Process、(i) Augmented Gaussian Process、(i) Augmented Gaussian Process、(i) Augmented Gaussian Process、(ii) Augmented Gaussian Processは、各ソースの位置依存コストをモデル化する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper addresses black-box optimization over multiple information sources
whose both fidelity and query cost change over the search space, that is they
are location dependent. The approach uses: (i) an Augmented Gaussian Process,
recently proposed in multi-information source optimization as a single model of
the objective function over search space and sources, and (ii) a Gaussian
Process to model the location-dependent cost of each source. The former is used
into a Confidence Bound based acquisition function to select the next source
and location to query, while the latter is used to penalize the value of the
acquisition depending on the expected query cost for any source-location pair.
The proposed approach is evaluated on a set of Hyperparameters Optimization
tasks, consisting of two Machine Learning classifiers and three datasets of
different sizes.
- Abstract（参考訳）: 本稿では,検索空間上で忠実度とクエリコストが変化する複数の情報ソースに対するブラックボックス最適化について述べる。
i) 探索空間とソース上の目的関数の単一モデルとして、最近マルチ情報ソース最適化において提案された拡張ガウス過程と、(ii) 各ソースの位置依存コストをモデル化するガウス過程である。
前者は、次のソースとクエリの場所を選択するために、信頼度バウンドベースの取得関数に使用され、後者は、任意のソース-ロケーションペアの期待クエリコストに応じて、取得の値をペナライズするために使用される。
提案手法は2つの機械学習分類器と3つの異なる大きさのデータセットからなるハイパーパラメータ最適化タスクで評価される。
関連論文リスト
- Training Greedy Policy for Proposal Batch Selection in Expensive Multi-Objective Combinatorial Optimization [52.80408805368928]
本稿では,バッチ取得のための新しいグリーディ型サブセット選択アルゴリズムを提案する。
赤蛍光タンパク質に関する実験により,提案手法は1.69倍少ないクエリでベースライン性能を達成できることが判明した。
論文 参考訳（メタデータ） (2024-06-21T05:57:08Z) - An adaptive approach to Bayesian Optimization with switching costs [0.8246494848934447]
逐次実験設計の資源制約設定に対するベイズ最適化の修正について検討する。
この逐次的問題定式化にプロセス制約付きバッチアルゴリズムを2つ適用し,コスト認識とコスト非依存の2つの新しい手法を提案する。
論文 参考訳（メタデータ） (2024-05-14T21:55:02Z) - Estimating Barycenters of Distributions with Neural Optimal Transport [93.28746685008093]
本稿では,Wasserstein Barycenter問題を解くための新しいスケーラブルなアプローチを提案する。
我々の手法は最近のNeural OTソルバをベースとしている。
また,提案手法の理論的誤差境界も確立する。
論文 参考訳（メタデータ） (2024-02-06T09:17:07Z) - Optimal Data Selection: An Online Distributed View [61.31708750038692]
この問題のオンライン版と分散版のアルゴリズムを開発する。
ランダム選択法は, ランダム選択法よりも5～20%高い性能を示した。
ImageNet と MNIST の学習タスクにおいて、我々の選択方法はランダム選択よりも5-20% 高い性能を示した。
論文 参考訳（メタデータ） (2022-01-25T18:56:16Z) - Learning a Large Neighborhood Search Algorithm for Mixed Integer
Programs [6.084888301899142]
混合整数プログラム(MIP)に対する学習型LSSアプローチの検討
ニューラル・ディバイディング・モデルを用いて代入よりも確率分布を表現し、既製のMIPソルバとともに初期代入を生成する。
そこで我々はニューラル近隣選択ポリシーを訓練し,各ステップで探索地区を選択する。
論文 参考訳（メタデータ） (2021-07-21T16:43:46Z) - Bayesian Algorithm Execution: Estimating Computable Properties of
Black-box Functions Using Mutual Information [78.78486761923855]
多くの現実世界では、T関数の評価の予算を考えると、高価なブラックボックス関数 f の性質を推測したい。
本稿では,アルゴリズムの出力に対して相互情報を最大化するクエリを逐次選択する手法InfoBAXを提案する。
これらの問題に対してInfoBAXは、元のアルゴリズムで要求されるより500倍少ないクエリをfに使用する。
論文 参考訳（メタデータ） (2021-04-19T17:22:11Z) - Multi-Fidelity Multi-Objective Bayesian Optimization: An Output Space
Entropy Search Approach [44.25245545568633]
複数目的のブラックボックス最適化の新たな課題を多要素関数評価を用いて検討する。
いくつかの総合的および実世界のベンチマーク問題に対する実験により、MF-OSEMOは両者の近似により、最先端の単一忠実度アルゴリズムよりも大幅に改善されていることが示された。
論文 参考訳（メタデータ） (2020-11-02T06:59:04Z) - Information-Theoretic Multi-Objective Bayesian Optimization with
Continuous Approximations [44.25245545568633]
この問題を解決するために,情報理論を用いた連続近似を用いた多目的ベイズ最適化(iMOCA)を提案する。
種々の総合的および実世界のベンチマーク実験により、iMOCAは既存の単一忠実度法よりも大幅に改善されていることが示された。
論文 参考訳（メタデータ） (2020-09-12T01:46:03Z) - Resource Allocation via Model-Free Deep Learning in Free Space Optical
Communications [119.81868223344173]
本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。
本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-27T17:38:51Z) - Green Machine Learning via Augmented Gaussian Processes and
Multi-Information Source Optimization [0.19116784879310028]
計算時間と消費エネルギーを大幅に削減するための戦略は、異なる情報ソースの可用性を活用することである。
複数の情報ソース(すなわち AGP-MISO)を利用する拡張ガウス過程法を提案する。
Augmented Gaussian Process に従って新しい取得関数が定義される。
論文 参考訳（メタデータ） (2020-06-25T08:04:48Z) - 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)
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。