論文の概要: Triangulation candidates for Bayesian optimization
- arxiv url: http://arxiv.org/abs/2112.07457v1
- Date: Tue, 14 Dec 2021 15:13:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-15 20:57:03.238648
- Title: Triangulation candidates for Bayesian optimization
- Title(参考訳): ベイズ最適化のための三角形候補
- Authors: Robert B. Gramacy, Annie Sauer, Nathan Wycoff
- Abstract要約: ベイズ最適化 (Bayesian optimization) は、入力-出力関係を適切なフレキシブル回帰モデルで理想化する設計形式である。
本稿では,デラウネー三角測量に基づく提案手法を提案する。
- 参考スコア(独自算出の注目度): 0.3222802562733786
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bayesian optimization is a form of sequential design: idealize input-output
relationships with a suitably flexible nonlinear regression model; fit to data
from an initial experimental campaign; devise and optimize a criterion for
selecting the next experimental condition(s) under the fitted model (e.g., via
predictive equations) to target outcomes of interest (say minima); repeat after
acquiring output under those conditions and updating the fit. In many
situations this "inner optimization" over the new-data acquisition criterion is
cumbersome because it is non-convex/highly multi-modal, may be
non-differentiable, or may otherwise thwart numerical optimizers, especially
when inference requires Monte Carlo. In such cases it is not uncommon to
replace continuous search with a discrete one over random candidates. Here we
propose using candidates based on a Delaunay triangulation of the existing
input design. In addition to detailing construction of these "tricands", based
on a simple wrapper around a conventional convex hull library, we promote
several advantages based on properties of the geometric criterion involved. We
then demonstrate empirically how tricands can lead to better Bayesian
optimization performance compared to both numerically optimized acquisitions
and random candidate-based alternatives on benchmark problems.
- Abstract(参考訳): ベイズ最適化は逐次設計の一形態である: 入力-出力関係を適度に柔軟な非線形回帰モデルで理想化する; 最初の実験キャンペーンのデータに適合する; 適合したモデル(例えば、予測方程式)の下で次の実験条件を選択するための基準を考案し、最適化する; 興味のある結果(ミニマなど)を目標とする。
多くの場合、新しいデータ取得基準に対するこの「インナー最適化」は、非凸/高多重モードであり、微分不可能である場合や、特にモンテカルロを必要とする場合の数値オプティマイザを妨害する場合があるため、厄介である。
そのような場合、連続探索をランダムな候補よりも離散的に置き換えることは珍しくない。
本稿では,既存の入力設計のデラウネー三角測量に基づく候補を提案する。
これらの "tricands" の構成を詳述するとともに,従来の凸包ライブラリを包む単純なラッパーを基礎として,幾何学的基準の性質に基づくいくつかの利点を奨励する。
次に、ベンチマーク問題に対する数値最適化による獲得法とランダム候補に基づく代替法の両方と比較して、トリカンドがベイズ最適化性能にどのように寄与するかを実証的に示す。
関連論文リスト
- Predicting from Strings: Language Model Embeddings for Bayesian Optimization [21.370382766970877]
文字列入力に対してコンテキスト内回帰を適用するパラダイムである Embed-then-Regress を提案する。
すべての入力を文字列として表現することで、さまざまなドメインに対して最適化のための汎用回帰を行うことができる。
論文 参考訳(メタデータ) (2024-10-14T06:22:11Z) - An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
まず最適化モデルを構築し,非単調な選好をモデル化する。
本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。
2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
論文 参考訳(メタデータ) (2024-09-04T14:36:20Z) - Simulation Based Bayesian Optimization [0.5524804393257919]
本稿では,獲得関数を最適化するための新しいアプローチとして,シミュレーションベースベイズ最適化(SBBO)を提案する。
GPは後続予測分布への解析的アクセスを提供するため、サロゲートモデルとして一般的に使用される。
本研究では,SBBOの有効性を種々の代理モデルを用いて実証的に実証する。
論文 参考訳(メタデータ) (2024-01-19T16:56:11Z) - Optimize-via-Predict: Realizing out-of-sample optimality in data-driven
optimization [0.0]
本稿では,データ駆動最適化の定式化について検討する。
我々は、規範的なソリューションを、そのようなデータセットを意思決定にマッピングする意思決定者ルールとして定義する。
本稿では,このようなサンプル外最適解に対して,サンプリングアルゴリズムと2分割探索アルゴリズムを組み合わせることで効率よく解ける最適化問題を提案する。
論文 参考訳(メタデータ) (2023-09-20T08:48:50Z) - Optimal Algorithms for Mean Estimation under Local Differential Privacy [55.32262879188817]
そこで本研究では,PrivUnitが局所的プライベートな乱数化器群間の最適分散を実現することを示す。
また,ガウス分布に基づくPrivUnitの新たな変種も開発しており,数学的解析に適しており,同じ最適性保証を享受できる。
論文 参考訳(メタデータ) (2022-05-05T06:43:46Z) - Fast Feature Selection with Fairness Constraints [49.142308856826396]
モデル構築における最適特徴の選択に関する基礎的問題について検討する。
この問題は、greedyアルゴリズムの変種を使用しても、大規模なデータセットで計算的に困難である。
適応クエリモデルは,最近提案された非モジュラー関数に対する直交整合探索のより高速なパラダイムに拡張する。
提案アルゴリズムは、適応型クエリモデルにおいて指数関数的に高速な並列実行を実現する。
論文 参考訳(メタデータ) (2022-02-28T12:26:47Z) - Bayesian Joint Chance Constrained Optimization: Approximations and
Statistical Consistency [10.20554144865699]
近似した後続分布を用いて計算した最適値の統計的整合性の問題に焦点をあてる。
また、近似最適化問題の実現可能性も証明する。
また,M/M/c待ち行列モデルに対する最適スタッフリング問題に対するアプローチの有用性を示す。
論文 参考訳(メタデータ) (2021-06-23T07:11:39Z) - Local policy search with Bayesian optimization [73.0364959221845]
強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。
局所探索のための政策勾配は、しばしばランダムな摂動から得られる。
目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
論文 参考訳(メタデータ) (2021-06-22T16:07:02Z) - Preference learning along multiple criteria: A game-theoretic
perspective [97.94912276610002]
我々は、ブラックウェルの接近性からインスピレーションを得て、フォン・ノイマンの勝者の概念をマルチ基準設定に一般化する。
本フレームワークは,基準間の選好の非線形集約を可能にし,多目的最適化から線形化に基づくアプローチを一般化する。
凸最適化問題の解法として,マルチ基準問題インスタンスのブラックウェルの勝者が計算可能であることを示す。
論文 参考訳(メタデータ) (2021-05-05T03:23:11Z) - Non-Adaptive Adaptive Sampling on Turnstile Streams [57.619901304728366]
カラムサブセット選択、部分空間近似、射影クラスタリング、および空間サブリニアを$n$で使用するターンタイルストリームのボリュームに対する最初の相対エラーアルゴリズムを提供する。
我々の適応的なサンプリング手法は、様々なデータ要約問題に多くの応用をもたらしており、これは最先端を改善するか、より緩和された行列列モデルで以前に研究されただけである。
論文 参考訳(メタデータ) (2020-04-23T05:00:21Z)
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。