論文の概要: Choice functions based multi-objective Bayesian optimisation
- arxiv url: http://arxiv.org/abs/2110.08217v1
- Date: Fri, 15 Oct 2021 17:24:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-18 12:56:49.143079
- Title: Choice functions based multi-objective Bayesian optimisation
- Title(参考訳): 多目的ベイズ最適化に基づく選択関数
- Authors: Alessio Benavoli and Dario Azzimonti and Dario Piga
- Abstract要約: 本稿では,多目的ベイズ最適化のための新しいフレームワークを提案する。
ガウス過程をfの上に配置し、選択データに対する新しい確率モデルから導出することにより、選択関数学習のためのベイズ的枠組みを提案する。
- 参考スコア(独自算出の注目度): 1.0742675209112622
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work we introduce a new framework for multi-objective Bayesian
optimisation where the multi-objective functions can only be accessed via
choice judgements, such as ``I pick options A,B,C among this set of five
options A,B,C,D,E''. The fact that the option D is rejected means that there is
at least one option among the selected ones A,B,C that I strictly prefer over D
(but I do not have to specify which one). We assume that there is a latent
vector function f for some dimension $n_e$ which embeds the options into the
real vector space of dimension n, so that the choice set can be represented
through a Pareto set of non-dominated options. By placing a Gaussian process
prior on f and deriving a novel likelihood model for choice data, we propose a
Bayesian framework for choice functions learning. We then apply this surrogate
model to solve a novel multi-objective Bayesian optimisation from choice data
problem.
- Abstract(参考訳): 本稿では,多目的ベイズ最適化のための新しいフレームワークについて紹介する。この5つのオプション a,b,c,d,e' のうち,'i pick options a,b,c' のように,多目的関数は選択判断によってのみアクセス可能である。
選択肢 D が拒否されるという事実は、私が厳格に D よりも好む選択された選択肢 A,B,C の中に少なくとも1つの選択肢が存在することを意味する(ただし、どれを指定すべきかは明記する必要はない)。
我々は、ある次元の $n_e$ に対して潜在ベクトル函数 f が存在すると仮定し、これはオプションを n 次元の実ベクトル空間に埋め込むので、選択集合は非支配的なオプションのパレート集合を通して表現できる。
ガウス過程を f に先立って配置し,選択データに対する新しい帰納法モデルを導出することにより,選択関数学習のためのベイズ的枠組みを提案する。
次に、この代理モデルを適用し、選択データ問題から新しい多目的ベイズ最適化を解く。
関連論文リスト
- Large Language Models Are Not Robust Multiple Choice Selectors [117.72712117510953]
複数選択質問(MCQ)は、大規模言語モデル(LLM)の評価において、一般的なが重要なタスク形式として機能する。
この研究は、現代のLLMが、その固有の「選択バイアス」によるオプション位置変化に対して脆弱であることを示している。
そこで本研究では,オプションIDに対する事前バイアスを全体予測分布から分離するPriDeという,ラベルのない推論時間脱バイアス手法を提案する。
論文 参考訳(メタデータ) (2023-09-07T17:44:56Z) - Predictive Modeling through Hyper-Bayesian Optimization [60.586813904500595]
本稿では,モデル選択とBOを統合する新しい手法を提案する。
このアルゴリズムは、モデル空間のBOと関数空間のBOの間を行き来する。
サンプル効率の改善に加えて、ブラックボックス機能に関する情報も出力する。
論文 参考訳(メタデータ) (2023-08-01T04:46:58Z) - Finding Optimal Diverse Feature Sets with Alternative Feature Selection [0.0]
代替機能の選択を導入し、最適化問題として定式化する。
特に,制約によって代替品を定義し,利用者が代替品の数や相違を制御できるようにする。
本研究では,一定要素近似が一定の条件下で存在することを示し,対応する探索法を提案する。
論文 参考訳(メタデータ) (2023-07-21T14:23:41Z) - Learning Choice Functions with Gaussian Processes [0.225596179391365]
消費者理論において、利用可能なオブジェクトを選好関係でランク付けすると、個々の選択の最も一般的な記述が得られる。
本稿では,個人が設定値の選択を表現できる選択モデルを提案する。
論文 参考訳(メタデータ) (2023-02-01T12:46:43Z) - A General Recipe for Likelihood-free Bayesian Optimization [115.82591413062546]
我々は,BOをより広範なモデルやユーティリティに拡張する可能性のないBO(LFBO)を提案する。
LFBOは、確率的代理モデルと個別に推論を行うことなく、取得関数を直接モデル化する。
LFBOにおける取得関数の計算は、重み付けされた分類問題を最適化することで削減できることを示す。
論文 参考訳(メタデータ) (2022-06-27T03:55:27Z) - 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) - Decision-making with E-admissibility given a finite assessment of
choices [64.29961886833972]
本稿では,E-admissibilityによる意思決定の意義について考察する。
我々は選択関数の数学的枠組みを用いて選択と拒絶を指定する。
線形実現可能性問題を解くことによって,この拡張を計算するアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-04-15T11:46:00Z) - Bayesian preference elicitation for multiobjective combinatorial
optimization [12.96855751244076]
DM(Decision Maker)のノイズ応答に対処できる新しいインクリメンタルな選好推論手法を提案する。
DMの選好はパラメータが未知の集約関数で表され、その不確実性はパラメータ空間上の密度関数で表されると仮定する。
論文 参考訳(メタデータ) (2020-07-29T12:28:37Z) - Learning Choice Functions via Pareto-Embeddings [3.1410342959104725]
本稿では,各オブジェクトが特徴ベクトルで表現される対象の集合から選択することの難しさを考察する。
本稿では,この課題に適した識別可能な損失関数を最小化する学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-07-14T09:34:44Z) - 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。