論文の概要: Bayesian Optimisation for Sequential Experimental Design with Applications in Additive Manufacturing

• arxiv url: http://arxiv.org/abs/2107.12809v1
• Date: Tue, 27 Jul 2021 13:30:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-28 14:30:11.488265
• Title: Bayesian Optimisation for Sequential Experimental Design with Applications in Additive Manufacturing
• Title（参考訳）: ベイズ最適化による逐次実験設計と添加物製造への応用
• Authors: Mimi Zhang, Andrew Parnell, Dermot Brabazon, Alessio Benavoli
• Abstract要約: BO技術について概説し、加法製造におけるBOのすべての応用を概観し、異なるオープンBOライブラリの特徴を比較して実演する。 本稿はベイズ的手法をある程度理解した読者を対象としているが、必ずしも添加物製造の知識を持つとは限らない。
• 参考スコア（独自算出の注目度）: 2.7910505923792646
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Bayesian optimization (BO) is an approach to globally optimizing black-box objective functions that are expensive to evaluate. BO-powered experimental design has found wide application in materials science, chemistry, experimental physics, drug development, etc. This work aims to bring attention to the benefits of applying BO in designing experiments and to provide a BO manual, covering both methodology and software, for the convenience of anyone who wants to apply or learn BO. In particular, we briefly explain the BO technique, review all the applications of BO in additive manufacturing, compare and exemplify the features of different open BO libraries, unlock new potential applications of BO to other types of data (e.g., preferential output). This article is aimed at readers with some understanding of Bayesian methods, but not necessarily with knowledge of additive manufacturing; the software performance overview and implementation instructions are instrumental for any experimental-design practitioner. Moreover, our review in the field of additive manufacturing highlights the current knowledge and technological trends of BO.
• Abstract（参考訳）: ベイズ最適化 (bayesian optimization, bo) は、評価に費用がかかるブラックボックス目的関数をグローバルに最適化するアプローチである。 BOによる実験設計は、材料科学、化学、実験物理学、薬物開発などに広く応用されている。 この研究は、BOを設計実験に適用することの利点に注意を向けることを目的としており、BOを適用または学習したい人のために、方法論とソフトウェアの両方をカバーするBOマニュアルを提供することを目的としている。 特にBOの技法を簡潔に説明し、加法製造におけるBOのすべての応用をレビューし、異なるオープンBOライブラリの機能を比較して実演し、BOの潜在的な他の種類のデータ(例えば、優先出力)をアンロックする。 この記事では、ベイズ的手法をある程度理解した読者を対象としているが、必ずしも付加的な製造に関する知識を持っているわけではない。 さらに, 添加性製造分野のレビューでは, BOの現在の知識と技術動向が注目されている。

関連論文リスト

• BoFire: Bayesian Optimization Framework Intended for Real Experiments [7.895074842021956]
  私たちのオープンソースのPythonパッケージであるBoFireは、ベイジアン最適化(BO)と、新しい化学の開発と最適化に焦点を当てた他の実験設計(DoE)戦略を組み合わせています。 以前のBO実装は、例えば文学やソフトウェアに存在するため、化学産業における実世界の効果的な展開に相当な適応が必要である。 本稿では,BoFireと他のBO実装の違いについて論じるとともに,BO研究が化学環境での実際の利用に適応する必要がある方法について概説する。
  論文  参考訳（メタデータ） (2024-08-09T12:50:48Z)
• How Useful is Intermittent, Asynchronous Expert Feedback for Bayesian Optimization? [32.27392014989582]
  非ブロック方式で組み込まれている少数の専門家のフィードバックがBOキャンペーンを改善できるかを検討する。 おもちゃと化学データセットの実験は、少数の間欠的な非同期専門家のフィードバックでさえ、BOを改善したり制約したりするのに役立つことを示唆している。
  論文  参考訳（メタデータ） (2024-06-10T16:53:58Z)
• Knowledge Adaptation from Large Language Model to Recommendation for Practical Industrial Application [54.984348122105516]
  大規模テキストコーパスで事前訓練されたLarge Language Models (LLMs) は、推奨システムを強化するための有望な道を示す。 オープンワールドの知識と協調的な知識を相乗化するLlm-driven knowlEdge Adaptive RecommeNdation (LEARN) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-07T04:00:30Z)
• Reinforced In-Context Black-Box Optimization [64.25546325063272]
  RIBBOは、オフラインデータからエンドツーエンドでBBOアルゴリズムを強化学習する手法である。 RIBBOは、複数の動作アルゴリズムとタスクによって生成される最適化履歴を学習するために、表現的なシーケンスモデルを使用している。 提案手法の中心となるのは,テキストレグレット・ツー・ゴートークンによる最適化履歴の増大である。
  論文  参考訳（メタデータ） (2024-02-27T11:32:14Z)
• Enhanced Bayesian Optimization via Preferential Modeling of Abstract Properties [49.351577714596544]
  本研究では,非測定抽象特性に関する専門家の嗜好を代理モデルに組み込むための,人間とAIの協調型ベイズフレームワークを提案する。 優先判断において、誤った/誤解を招く専門家バイアスを処理できる効率的な戦略を提供する。
  論文  参考訳（メタデータ） (2024-02-27T09:23:13Z)
• Large Language Models to Enhance Bayesian Optimization [57.474613739645605]
  本稿では,大規模言語モデル(LLM)の能力をベイズ最適化に組み込む新しいアプローチであるLLAMBOを提案する。 高いレベルでは、自然言語のBO問題を枠組み化し、LLMが歴史的評価に照らした有望な解を反復的に提案し、評価することを可能にする。 以上の結果から,LLAMBOはゼロショットウォームスタートに有効であり,サロゲートモデリングや候補サンプリングの促進,特に観察が不十分な場合の探索の初期段階において有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-02-06T11:44:06Z)
• An Experimental Design Framework for Label-Efficient Supervised Finetuning of Large Language Models [55.01592097059969]
  命令データセットの監視された微調整は、目覚ましいゼロショットの一般化能力を達成する上で重要な役割を担っている。 アクティブラーニングは、未ラベルのプールからアノテートするサンプルの有用なサブセットを特定するのに効果的である。 本研究では,能動学習の計算ボトルネックを回避するための実験設計を提案する。
  論文  参考訳（メタデータ） (2024-01-12T16:56:54Z)
• Bayesian Optimization Augmented with Actively Elicited Expert Knowledge [13.551210295284733]
  我々は、最適化をさらに加速することを目的として、専門家の知識をBOに組み込むという課題に取り組む。 本研究では,この課題に対するマルチタスク学習アーキテクチャを設計し,専門家の知識を共同で抽出し,目的関数を最小化することを目的とする。 シミュレーションと実際の人間の専門家による様々なベンチマーク関数の実験では、専門家の知識が偏っている場合でも、提案手法はBOを著しく高速化することが示された。
  論文  参考訳（メタデータ） (2022-08-18T09:49:21Z)
• Thinking inside the box: A tutorial on grey-box Bayesian optimization [20.73717187683924]
  ベイズ最適化(英: Bayesian Optimization、BO)は、コスト対評価対象関数のグローバル最適化のためのフレームワークである。 BOメソッドは、目的関数がブラックボックスであると仮定する。 近年のBO法では,そのような内部情報を活用して性能を劇的に向上している。
  論文  参考訳（メタデータ） (2022-01-02T02:16:09Z)
• 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)

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。