論文の概要: Expected hypervolume improvement for simultaneous multi-objective and
multi-fidelity optimization
- arxiv url: http://arxiv.org/abs/2112.13901v1
- Date: Mon, 27 Dec 2021 20:55:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-30 16:38:12.477308
- Title: Expected hypervolume improvement for simultaneous multi-objective and
multi-fidelity optimization
- Title（参考訳）: 同時多目的・多忠実度最適化のための超体積改善の期待
- Authors: Faran Irshad, Stefan Karsch and Andreas D\"opp
- Abstract要約: 1つ以上の目的の多次元最適化は、いまだに違法に高価である可能性がある。
期待される超ボリューム改善政策は,多くの状況において適切な代替手段として機能することを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bayesian optimization has proven to be an efficient method to optimize
expensive-to-evaluate systems. However, depending on the cost of single
observations, multi-dimensional optimizations of one or more objectives may
still be prohibitively expensive. Multi-fidelity optimization remedies this
issue by including multiple, cheaper information sources such as low-resolution
approximations in numerical simulations. Acquisition functions for
multi-fidelity optimization are typically based on exploration-heavy algorithms
that are difficult to combine with optimization towards multiple objectives.
Here we show that the expected hypervolume improvement policy can act in many
situations as a suitable substitute. We incorporate the evaluation cost either
via a two-step evaluation or within a single acquisition function with an
additional fidelity-related objective. This permits simultaneous
multi-objective and multi-fidelity optimization, which allows to accurately
establish the Pareto set and front at fractional cost. Benchmarks show a cost
reduction of an order of an order of magnitude or more. Our method thus allows
for Pareto optimization of extremely expansive black-box functions.
The presented methods are simple and straightforward to implement in
existing, optimized Bayesian optimization frameworks and can immediately be
extended to batch optimization. The techniques can also be used to combine
different continuous and/or discrete fidelity dimensions, which makes them
particularly relevant for simulation problems in plasma physics, fluid dynamics
and many other branches of scientific computing.
- Abstract（参考訳）: ベイズ最適化は費用対評価システムの効率的な最適化方法であることが証明されている。
しかし、単一観測のコストによっては、1つまたはそれ以上の目的の多次元最適化は禁止的に高価である。
多重忠実度最適化は、数値シミュレーションにおいて低分解能近似のようなより安価な複数の情報源を含むことでこの問題を改善する。
多重忠実度最適化のための獲得関数は、通常、複数の目的に対する最適化と組み合わせが難しい探索重度アルゴリズムに基づいている。
ここでは,期待される超ボリューム改善政策が,多くの状況において適切な代替手段として機能することを示す。
評価コストは2段階評価または1つの取得関数に付加的忠実性に関連した目的を組み込む。
これにより、多目的および多忠実性の同時最適化が可能となり、パレート集合とフロントを分数コストで正確に確立することができる。
ベンチマークは1桁以上のオーダーのコスト削減を示している。
これにより,超拡張ブラックボックス関数のパレート最適化が可能となる。
提案したメソッドは、既存の最適化されたベイズ最適化フレームワークで簡単に実装でき、すぐにバッチ最適化に拡張できる。
この技術は、様々な連続的および/または離散的忠実度次元を組み合わせるためにも使用することができ、プラズマ物理学、流体力学、その他多くの科学計算分野におけるシミュレーション問題に特に関係している。
関連論文リスト
- Optima: Optimizing Effectiveness and Efficiency for LLM-Based Multi-Agent System [75.25394449773052]
大規模言語モデル (LLM) に基づくマルチエージェントシステム (MAS) は協調的問題解決において顕著な可能性を示している。
通信効率の低下、スケーラビリティの低下、効果的なパラメータ更新方法の欠如などです。
本稿では,コミュニケーション効率とタスク効率を両立させ,これらの課題に対処する新しいフレームワークOptimaを提案する。
論文 参考訳（メタデータ） (2024-10-10T17:00:06Z) - Unleashing the Potential of Large Language Models as Prompt Optimizers: An Analogical Analysis with Gradient-based Model Optimizers [108.72225067368592]
本稿では,大規模言語モデル(LLM)に基づくプロンプトの設計について検討する。
モデルパラメータ学習における2つの重要な要素を同定する。
特に、勾配に基づく最適化から理論的な枠組みや学習手法を借用し、改良された戦略を設計する。
論文 参考訳（メタデータ） (2024-02-27T15:05:32Z) - End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳（メタデータ） (2024-02-12T16:33:35Z) - Evolutionary Solution Adaption for Multi-Objective Metal Cutting Process
Optimization [59.45414406974091]
我々は,従来の最適化タスクから解を転送するアルゴリズムの能力を研究することのできる,システムの柔軟性のためのフレームワークを提案する。
NSGA-IIの柔軟性を2つの変種で検討し,1)2つのタスクの解を同時に最適化し,より適応性が高いと期待されるソース間の解を得る,2)活性化あるいは非活性化の異なる可能性に対応する能動的非アクティブなジェノタイプについて検討した。
その結果,標準NSGA-IIによる適応は目標目標への最適化に必要な評価回数を大幅に削減し,提案した変種は適応コストをさらに向上することがわかった。
論文 参考訳（メタデータ） (2023-05-31T12:07:50Z) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳（メタデータ） (2022-10-27T01:58:10Z) - Multi-objective and multi-fidelity Bayesian optimization of laser-plasma
acceleration [0.0]
シミュレーションレーザープラズマ加速器の多目的最適化に関する最初の結果を示す。
多目的最適化は単目的最適化と同等かそれ以上に性能が優れていることが判明した。
シミュレーションの解像度とボックスサイズを動的に選択することで,最適化の計算コストを大幅に削減する。
論文 参考訳（メタデータ） (2022-10-07T12:09:09Z) - Uncertainty-Aware Search Framework for Multi-Objective Bayesian
Optimization [40.40632890861706]
高価な関数評価を用いたマルチオブジェクト(MO)ブラックボックス最適化の問題点を考察する。
UeMOと呼ばれる新しい不確実性対応検索フレームワークを提案し、評価のための入力シーケンスを効率的に選択する。
論文 参考訳（メタデータ） (2022-04-12T16:50:48Z) - A Robust Multi-Objective Bayesian Optimization Framework Considering
Input Uncertainty [0.0]
エンジニアリング設計のような現実的なアプリケーションでは、設計者は複数の目的と入力の不確実性を考慮に入れたい場合が多い。
入力の不確実性を考慮した多目的最適化を効率的に行うための新しいベイズ最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-25T17:45:26Z) - Multi-Fidelity Multi-Objective Bayesian Optimization: An Output Space
Entropy Search Approach [44.25245545568633]
複数目的のブラックボックス最適化の新たな課題を多要素関数評価を用いて検討する。
いくつかの総合的および実世界のベンチマーク問題に対する実験により、MF-OSEMOは両者の近似により、最先端の単一忠実度アルゴリズムよりも大幅に改善されていることが示された。
論文 参考訳（メタデータ） (2020-11-02T06:59:04Z) - Multi-Fidelity Bayesian Optimization via Deep Neural Networks [19.699020509495437]
多くのアプリケーションでは、目的関数を複数の忠実度で評価することで、コストと精度のトレードオフを可能にする。
本稿では,DNN-MFBO(Deep Neural Network Multi-Fidelity Bayesian Optimization)を提案する。
本手法の利点は, 総合的なベンチマークデータセットと, 工学設計における実世界の応用の両方にある。
論文 参考訳（メタデータ） (2020-07-06T23:28:40Z)
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。