論文の概要: Safe Real-Time Optimization using Multi-Fidelity Gaussian Processes
- arxiv url: http://arxiv.org/abs/2111.05589v1
- Date: Wed, 10 Nov 2021 09:31:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-11 19:48:08.603859
- Title: Safe Real-Time Optimization using Multi-Fidelity Gaussian Processes
- Title（参考訳）: マルチフィデリティガウスプロセスを用いた安全なリアルタイム最適化
- Authors: Panagiotis Petsagkourakis, Benoit Chachuat, Ehecatl Antonio del
Rio-Chanona
- Abstract要約: 本稿では,不確実なプロセスのシステムミスマッチを克服するリアルタイム最適化手法を提案する。
提案方式では, 既知のプロセスモデルをエミュレートする2つのガウス過程と, 測定による真のシステムを用いる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper proposes a new class of real-time optimization schemes to overcome
system-model mismatch of uncertain processes. This work's novelty lies in
integrating derivative-free optimization schemes and multi-fidelity Gaussian
processes within a Bayesian optimization framework. The proposed scheme uses
two Gaussian processes for the stochastic system, one emulates the (known)
process model, and another, the true system through measurements. In this way,
low fidelity samples can be obtained via a model, while high fidelity samples
are obtained through measurements of the system. This framework captures the
system's behavior in a non-parametric fashion while driving exploration through
acquisition functions. The benefit of using a Gaussian process to represent the
system is the ability to perform uncertainty quantification in real-time and
allow for chance constraints to be satisfied with high confidence. This results
in a practical approach that is illustrated in numerical case studies,
including a semi-batch photobioreactor optimization problem.
- Abstract（参考訳）: 本稿では,不確実なプロセスのシステムモデルミスマッチを克服するリアルタイム最適化手法を提案する。
この研究の新規性は、微分自由最適化スキームと多忠実ガウス過程をベイズ最適化フレームワークに統合することにある。
提案されたスキームは、(既知の)過程モデルをエミュレートする2つのガウス過程と、測定による真の体系を用いる。
このように、低忠実度サンプルはモデルによって得られるが、高忠実度サンプルはシステムの測定によって得られる。
このフレームワークは、取得機能による探索を駆動しながら、非パラメトリックな方法でシステムの振舞いをキャプチャする。
システムの表現にガウス過程を使うことの利点は、不確実性定量化をリアルタイムで行う能力と、高い信頼性でチャンス制約を満たす能力である。
この結果は、半バッチフォトバイオリアクター最適化問題を含む数値ケーススタディで示される実用的なアプローチとなる。
関連論文リスト
- Enhancing Gaussian Process Surrogates for Optimization and Posterior Approximation via Random Exploration [2.984929040246293]
ガウス過程シュロゲートモデルの精度を高めるために、ランダムな探索ステップに依存する新しいノイズフリーベイズ最適化戦略。
新しいアルゴリズムは、古典的なGP-UCBの実装の容易さを維持しているが、さらなる探索がそれらの収束を促進する。
論文 参考訳（メタデータ） (2024-01-30T14:16:06Z) - Towards Safe Multi-Task Bayesian Optimization [1.3654846342364308]
システムの物理モデルを減らすことは最適化プロセスに組み込むことができ、それを加速することができる。
これらのモデルは実際のシステムの近似を提供することができ、それらの評価は極めて安価である。
安全はベイズ最適化のようなオンライン最適化手法にとって重要な基準である。
論文 参考訳（メタデータ） (2023-12-12T13:59:26Z) - Smoothing Methods for Automatic Differentiation Across Conditional
Branches [0.0]
スムース解釈(SI)は、プログラムの出力とガウス核との畳み込みを近似し、原理的にその出力を滑らかにする。
SIと自動微分(AD)を組み合わせることで、スムーズなプログラムの勾配を効率的に計算する。
本稿では,ADとサンプリングを組み合わせたスムーズなプログラムの勾配を推定することにより,基礎となる仮定を回避する新しいモンテカルロ推定法を提案する。
論文 参考訳（メタデータ） (2023-10-05T15:08:37Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳（メタデータ） (2023-06-10T08:25:16Z) - Gaussian Processes and Statistical Decision-making in Non-Euclidean
Spaces [96.53463532832939]
我々はガウス過程の適用性を高める技術を開発した。
この観点から構築した効率的な近似を幅広く導入する。
非ユークリッド空間上のガウス過程モデルの集合を開発する。
論文 参考訳（メタデータ） (2022-02-22T01:42:57Z) - High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。
非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。
そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
論文 参考訳（メタデータ） (2021-06-10T17:54:21Z) - Minibatch and Momentum Model-based Methods for Stochastic Non-smooth
Non-convex Optimization [3.4809730725241597]
モデルベース手法に対する2つの重要な拡張を行う。
まず,各イテレーションのモデル関数を近似するために,サンプルの集合を用いる新しいミニバッチを提案する。
第二に、運動量法の成功により、新しい凸モデルを提案する。
論文 参考訳（メタデータ） (2021-06-06T05:31:57Z) - Real-Time Optimization Meets Bayesian Optimization and Derivative-Free
Optimization: A Tale of Modifier Adaptation [0.0]
本稿では,不確実なプロセスのリアルタイム最適化において,プラントモデルミスマッチを克服するための修飾子適応方式について検討する。
提案したスキームは物理モデルを組み込んでおり、探査中のリスクを最小限に抑えるために信頼領域のアイデアに依存している。
取得関数の使用、プロセスノイズレベルを知る、または名目上のプロセスモデルを指定する利点を図示する。
論文 参考訳（メタデータ） (2020-09-18T12:57:17Z) - Likelihood-Free Inference with Deep Gaussian Processes [70.74203794847344]
サーロゲートモデルは、シミュレータ評価の回数を減らすために、可能性のない推論に成功している。
本稿では,より不規則な対象分布を扱えるディープガウス過程(DGP)サロゲートモデルを提案する。
本実験は,DGPがマルチモーダル分布を持つ目的関数上でGPよりも優れ,単調な場合と同等の性能を維持できることを示す。
論文 参考訳（メタデータ） (2020-06-18T14:24:05Z) - Global Optimization of Gaussian processes [52.77024349608834]
少数のデータポイントで学習したガウス過程を訓練した空間定式化を提案する。
このアプローチはまた、より小さく、計算的にもより安価なサブソルバを低いバウンディングに導く。
提案手法の順序の順序による時間収束を,総じて低減する。
論文 参考訳（メタデータ） (2020-05-21T20:59:11Z) - Efficiently Sampling Functions from Gaussian Process Posteriors [76.94808614373609]
高速後部サンプリングのための簡易かつ汎用的なアプローチを提案する。
分離されたサンプルパスがガウス過程の後部を通常のコストのごく一部で正確に表現する方法を実証する。
論文 参考訳（メタデータ） (2020-02-21T14:03:16Z)
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。