論文の概要: Bayesian Optimization over Hybrid Spaces

• arxiv url: http://arxiv.org/abs/2106.04682v1
• Date: Tue, 8 Jun 2021 20:47:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-11 10:49:13.649789
• Title: Bayesian Optimization over Hybrid Spaces
• Title（参考訳）: ハイブリッド空間上のベイズ最適化
• Authors: Aryan Deshwal, Syrine Belakaria, Janardhan Rao Doppa
• Abstract要約: 離散変数と連続変数の複雑な相互作用を正確にモデル化する新しい手法を提案する。 我々は,加法的カーネルの定式化を利用して,ハイブリッド空間上の拡散カーネルを構築するための原理的アプローチを開発した。 人工的および6つの多種多様な実世界のベンチマーク実験により,HyBOが最先端の手法を著しく上回っていることが示された。
• 参考スコア（独自算出の注目度）: 32.856318660282255
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the problem of optimizing hybrid structures (mixture of discrete and continuous input variables) via expensive black-box function evaluations. This problem arises in many real-world applications. For example, in materials design optimization via lab experiments, discrete and continuous variables correspond to the presence/absence of primitive elements and their relative concentrations respectively. The key challenge is to accurately model the complex interactions between discrete and continuous variables. In this paper, we propose a novel approach referred as Hybrid Bayesian Optimization (HyBO) by utilizing diffusion kernels, which are naturally defined over continuous and discrete variables. We develop a principled approach for constructing diffusion kernels over hybrid spaces by utilizing the additive kernel formulation, which allows additive interactions of all orders in a tractable manner. We theoretically analyze the modeling strength of additive hybrid kernels and prove that it has the universal approximation property. Our experiments on synthetic and six diverse real-world benchmarks show that HyBO significantly outperforms the state-of-the-art methods.
• Abstract（参考訳）: 高価なブラックボックス関数評価によるハイブリッド構造(離散および連続入力変数の混合)の最適化の問題を考える。 この問題は現実世界の多くのアプリケーションで発生します。 例えば、実験室による材料設計最適化では、離散変数と連続変数はそれぞれ原始元素の存在/存在とその相対濃度に対応する。 鍵となる課題は、離散変数と連続変数の複雑な相互作用を正確にモデル化することだ。 本稿では,連続変数および離散変数上で自然に定義される拡散核を用いて,ハイブリッドベイズ最適化(hybo)と呼ばれる新しい手法を提案する。 我々は,すべての順序の加法的相互作用を扱いやすい方法で許容する加法的カーネル定式化を利用して,ハイブリッド空間上の拡散核を構築するための原理的アプローチを開発した。 我々は, 加法ハイブリッドカーネルのモデリング強度を理論的に解析し, 普遍近似特性を持つことを示す。 人工的および6つの多種多様な実世界のベンチマーク実験により,HyBOは最先端の手法よりも優れていることが示された。

関連論文リスト

• Structure Language Models for Protein Conformation Generation [66.42864253026053]
  伝統的な物理学に基づくシミュレーション手法は、しばしばサンプリング平衡整合に苦しむ。 深い生成モデルは、より効率的な代替としてタンパク質のコンホメーションを生成することを約束している。 本稿では,効率的なタンパク質コンホメーション生成のための新しいフレームワークとして構造言語モデリングを紹介する。
  論文  参考訳（メタデータ） (2024-10-24T03:38:51Z)
• Approximation properties relative to continuous scale space for hybrid discretizations of Gaussian derivative operators [0.5439020425819]
  本稿ではガウス微分に対する2つのハイブリッド離散化法の特性について解析する。 これらの離散化手法を研究する動機は、異なる順序の複数の空間微分が同じスケールレベルで必要である場合、より効率的に計算できることである。
  論文  参考訳（メタデータ） (2024-05-08T14:44:34Z)
• Theoretical Insights for Diffusion Guidance: A Case Study for Gaussian Mixture Models [59.331993845831946]
  拡散モデルは、所望の特性に向けてサンプル生成を操るために、スコア関数にタスク固有の情報を注入することの恩恵を受ける。 本稿では,ガウス混合モデルの文脈における拡散モデルに対する誘導の影響を理解するための最初の理論的研究を提供する。
  論文  参考訳（メタデータ） (2024-03-03T23:15:48Z)
• Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
  本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。 画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
  論文  参考訳（メタデータ） (2023-11-02T02:05:38Z)
• Generative Modeling on Manifolds Through Mixture of Riemannian Diffusion Processes [57.396578974401734]
  一般多様体上に生成拡散過程を構築するための原理的枠組みを導入する。 従来の拡散モデルの認知的アプローチに従う代わりに、橋梁プロセスの混合を用いて拡散過程を構築する。 混合過程を幾何学的に理解し,データ点への接する方向の重み付け平均としてドリフトを導出する。
  論文  参考訳（メタデータ） (2023-10-11T06:04:40Z)
• Non-separable Covariance Kernels for Spatiotemporal Gaussian Processes based on a Hybrid Spectral Method and the Harmonic Oscillator [0.0]
  物理引数に基づいて共分散カーネルを生成するためのハイブリッドスペクトル手法を提案する。 3つの発振器系における共分散核(アンダーダッピング、臨界減衰、オーバーダッピング)の明示的な関係を導出し、それらの特性について検討する。
  論文  参考訳（メタデータ） (2023-02-19T14:12:48Z)
• Measuring dissimilarity with diffeomorphism invariance [94.02751799024684]
  DID(DID)は、幅広いデータ空間に適用可能なペアワイズな相似性尺度である。 我々は、DIDが理論的研究と実用に関係のある特性を享受していることを証明する。
  論文  参考訳（メタデータ） (2022-02-11T13:51:30Z)
• A comparison of mixed-variables Bayesian optimization approaches [0.0]
  実際の最適化問題は、変数が離散的かつ連続的な混合探索空間上で定義される。 本稿では、離散変数が連続潜伏変数に緩和されるガウス過程を通じて、コストのかかる混合問題にアプローチする。 特に、連続潜伏変数による問題の再構成は、混合空間で直接働く探索と競合する。
  論文  参考訳（メタデータ） (2021-10-30T09:26:34Z)
• Mixed Variable Bayesian Optimization with Frequency Modulated Kernels [96.78099706164747]
  異なる種類の変数間の依存性を柔軟にモデリングする周波数変調(FM)カーネルを提案する。 BO-FMは正規化進化(RE)およびBOHBを含む競争相手を上回ります。
  論文  参考訳（メタデータ） (2021-02-25T11:28:46Z)
• Learning Inconsistent Preferences with Gaussian Processes [14.64963271587818]
  我々は,Chuらによる優先的なガウス過程を再考し,潜在ユーティリティ関数の値を通じてデータ項目のランク付けを強制するモデル化の仮定に挑戦する。 本稿では、より表現力のある遅延優先構造をデータ中に捉えることのできるpgpの一般化を提案する。 実験結果から, ランキングビリティの侵害は, 現実の優先データにおいてユビキタスである可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-06T11:57:45Z)
• Stochastic modeling of non-linear adsorption with Gaussian kernel density estimators [2.7126936616742845]
  吸着は、製品製造や汚染修復など、多くの分野で関連するプロセスである。 我々は吸着シミュレーションのための化学拡散反応モデルを提案した。 提案モデルでは,ラングミュアとフレンドリッヒ等温線の非線形挙動特性を効果的に再現することができる。
  論文  参考訳（メタデータ） (2020-04-14T12:21:33Z)

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。