論文の概要: Mold into a Graph: Efficient Bayesian Optimization over Mixed-Spaces

• arxiv url: http://arxiv.org/abs/2202.00893v1
• Date: Wed, 2 Feb 2022 07:12:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-03 21:00:02.318235
• Title: Mold into a Graph: Efficient Bayesian Optimization over Mixed-Spaces
• Title（参考訳）: グラフにモールド: 混合空間上の効率的なベイズ最適化
• Authors: Jaeyeon Ahn, Taehyeon Kim, Seyoung Yun
• Abstract要約: 実世界の最適化問題は、離散変数と連続変数が共存する混合型の入力を含む。 本稿では,ノードとしての変数とエッジによって定義された相互作用の基盤となる関係をモデル化するために,グラフデータ構造を利用する手法を提案する。
• 参考スコア（独自算出の注目度）: 12.891210250935147
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world optimization problems are generally not just black-box problems, but also involve mixed types of inputs in which discrete and continuous variables coexist. Such mixed-space optimization possesses the primary challenge of modeling complex interactions between the inputs. In this work, we propose a novel yet simple approach that entails exploiting the graph data structure to model the underlying relationship between variables, i.e., variables as nodes and interactions defined by edges. Then, a variational graph autoencoder is used to naturally take the interactions into account. We first provide empirical evidence of the existence of such graph structures and then suggest a joint framework of graph structure learning and latent space optimization to adaptively search for optimal graph connectivity. Experimental results demonstrate that our method shows remarkable performance, exceeding the existing approaches with significant computational efficiency for a number of synthetic and real-world tasks.
• Abstract（参考訳）: 実世界の最適化問題は一般にブラックボックス問題だけでなく、離散変数と連続変数が共存する混合入力も含む。 このような混合空間最適化は、入力間の複雑な相互作用をモデル化する主な課題である。 本研究では,変数をノードとする変数と,エッジによって定義された相互作用をモデル化するために,グラフデータ構造を利用する新しいシンプルなアプローチを提案する。 次に、変動グラフオートエンコーダを用いて、相互作用を自然に考慮する。 まず,そのようなグラフ構造が存在することの実証的証拠を提供し,次いで最適なグラフ接続を適応的に探索するためのグラフ構造学習と潜在空間最適化の合同フレームワークを提案する。 実験により,本手法は,多くの実世界の課題に対して,計算効率の高い既存手法よりも優れた性能を示した。

関連論文リスト

• Bayesian Optimization of Functions over Node Subsets in Graphs [14.670181702535825]
  グラフ上での最適化のための新しいフレームワークを提案する。 元のグラフの各$k$-nodeを、新しいグラフのノードにマップします。 人工環境と実環境環境の両方における実験により,提案したBOフレームワークの有効性が示された。
  論文  参考訳（メタデータ） (2024-05-24T00:24:55Z)
• Condensing Graphs via One-Step Gradient Matching [50.07587238142548]
  ネットワーク重みを訓練せずに1ステップのみの勾配マッチングを行う1ステップ勾配マッチング方式を提案する。 我々の理論的分析は、この戦略が実際のグラフの分類損失を減少させる合成グラフを生成することができることを示している。 特に、元のパフォーマンスの最大98%を近似しながら、データセットサイズを90%削減することが可能です。
  論文  参考訳（メタデータ） (2022-06-15T18:20:01Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
  グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。 グラフが現在の勾配を混合する能力を定量化する計量法を提案する。 そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-13T15:54:35Z)
• A Differentiable Approach to Combinatorial Optimization using Dataless Neural Networks [20.170140039052455]
  我々は、ソリューションを生成するニューラルネットワークのトレーニングにデータを必要としないという、根本的に異なるアプローチを提案する。 特に、最適化問題をニューラルネットワークに還元し、データレストレーニングスキームを用いて、それらのパラメータが関心の構造をもたらすように、ネットワークのパラメータを洗練する。
  論文  参考訳（メタデータ） (2022-03-15T19:21:31Z)
• Efficient Neural Causal Discovery without Acyclicity Constraints [30.08586535981525]
  本研究では,有向非巡回因果グラフの効率的な構造学習法であるENCOを提案する。 実験の結果,ENCOは数百ノードのグラフを効率よく回収できることがわかった。
  論文  参考訳（メタデータ） (2021-07-22T07:01:41Z)
• Conservative Objective Models for Effective Offline Model-Based Optimization [78.19085445065845]
  計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。 本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。 COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
  論文  参考訳（メタデータ） (2021-07-14T17:55:28Z)
• High-Dimensional Bayesian Optimization via Tree-Structured Additive Models [40.497123136157946]
  変数の重複部分集合を持つ低次元関数を合成して高次元目標関数をモデル化する一般化加法モデルを検討する。 私たちの目標は、必要な計算リソースを減らし、より高速なモデル学習を促進することです。 我々は,合成関数と実世界のデータセットに関する様々な実験を通して,本手法の有効性を実証し,議論する。
  論文  参考訳（メタデータ） (2020-12-24T03:56:44Z)
• Multilayer Clustered Graph Learning [66.94201299553336]
  我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。 実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。 クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
  論文  参考訳（メタデータ） (2020-10-29T09:58:02Z)
• Model Inversion Networks for Model-Based Optimization [110.24531801773392]
  スコアから入力への逆写像を学習するモデル反転ネットワーク(MIN)を提案する。 MINは高次元の入力空間にスケールでき、コンテキスト最適化と非コンテキスト最適化の両方にオフラインログデータを利用する。 我々は,ベイズ最適化の文献から,画像やタンパク質の設計に対する高次元モデルベース最適化問題,ログデータからのコンテキスト的帯域最適化といったタスクのMINを評価した。
  論文  参考訳（メタデータ） (2019-12-31T18:06:49Z)

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。