論文の概要: Design-Bench: Benchmarks for Data-Driven Offline Model-Based Optimization

• arxiv url: http://arxiv.org/abs/2202.08450v1
• Date: Thu, 17 Feb 2022 05:33:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-19 01:26:54.857707
• Title: Design-Bench: Benchmarks for Data-Driven Offline Model-Based Optimization
• Title（参考訳）: Design-Bench: データ駆動のオフラインモデルベース最適化のためのベンチマーク
• Authors: Brandon Trabucco, Xinyang Geng, Aviral Kumar, Sergey Levine
• Abstract要約: ブラックボックスモデルに基づく最適化問題は、タンパク質、DNA配列、航空機、ロボットの設計など、幅広い領域で広く使われている。 本稿では,統合評価プロトコルと最近の手法の参照実装を備えたオフラインMBOのためのベンチマークであるDesign-Benchを提案する。 私たちのベンチマークには、生物学、材料科学、ロボット工学における現実世界の最適化問題から派生した、多種多様な現実的なタスクが含まれています。
• 参考スコア（独自算出の注目度）: 82.02008764719896
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Black-box model-based optimization (MBO) problems, where the goal is to find a design input that maximizes an unknown objective function, are ubiquitous in a wide range of domains, such as the design of proteins, DNA sequences, aircraft, and robots. Solving model-based optimization problems typically requires actively querying the unknown objective function on design proposals, which means physically building the candidate molecule, aircraft, or robot, testing it, and storing the result. This process can be expensive and time consuming, and one might instead prefer to optimize for the best design using only the data one already has. This setting -- called offline MBO -- poses substantial and different algorithmic challenges than more commonly studied online techniques. A number of recent works have demonstrated success with offline MBO for high-dimensional optimization problems using high-capacity deep neural networks. However, the lack of standardized benchmarks in this emerging field is making progress difficult to track. To address this, we present Design-Bench, a benchmark for offline MBO with a unified evaluation protocol and reference implementations of recent methods. Our benchmark includes a suite of diverse and realistic tasks derived from real-world optimization problems in biology, materials science, and robotics that present distinct challenges for offline MBO. Our benchmark and reference implementations are released at github.com/rail-berkeley/design-bench and github.com/rail-berkeley/design-baselines.
• Abstract（参考訳）: black-box model-based optimization(mbo)問題は、未知の目的関数を最大化する設計入力を見つけることを目的としており、タンパク質の設計、dna配列、航空機、ロボットなど、幅広い領域においてユビキタスである。 モデルに基づく最適化問題を解決するには、通常、設計提案において未知の目的関数を積極的に問い合わせる必要があり、つまり、候補分子、航空機、ロボットを物理的に構築し、それをテストし、結果を格納する。 このプロセスは高価で時間がかかり、代わりに、既に持っているデータのみを使用して最適な設計のために最適化することを好むかもしれません。 この設定はオフラインmboと呼ばれ、より一般的に研究されているオンライン技術とは異なるアルゴリズム上の課題をもたらす。 近年の多くの研究は、高容量ディープニューラルネットワークを用いた高次元最適化問題に対するオフラインMBOの成功を示している。 しかし、この新興分野における標準ベンチマークの欠如は、追跡を困難にしている。 そこで本稿では,評価プロトコルを統一したオフラインmboベンチマークであるdesign-benchと,最近の手法のリファレンス実装を提案する。 私たちのベンチマークには、生物学、材料科学、ロボット工学における現実世界の最適化問題から派生した、多様な現実的なタスクが含まれています。 ベンチマークおよびリファレンス実装はgithub.com/rail-berkeley/design-benchおよびgithub.com/rail-berkeley/design-baselinesでリリースしています。

関連論文リスト

• Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
  我々は、MBOタスクの構造を学習し、経験的に改良された設計につながるモデルを開発する。 我々はCliqueformerを、高次元のブラックボックス機能から、化学・遺伝設計の現実的なタスクまで、様々なタスクで評価する。
  論文  参考訳（メタデータ） (2024-10-17T00:35:47Z)
• Offline Multi-Objective Optimization [23.543056729281695]
  オフライン最適化は、静的データセットでブラックボックスの目的関数を最大化し、幅広いアプリケーションを持つことを目的としている。 我々はオフラインMOOのための最初のベンチマークを提案し、合成タスクから実世界のタスクまで幅広い問題をカバーしている。 実験の結果、トレーニングセットの最高の値よりも改善され、オフラインMOO手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-06-06T03:35:09Z)
• Reinforced In-Context Black-Box Optimization [64.25546325063272]
  RIBBOは、オフラインデータからエンドツーエンドでBBOアルゴリズムを強化学習する手法である。 RIBBOは、複数の動作アルゴリズムとタスクによって生成される最適化履歴を学習するために、表現的なシーケンスモデルを使用している。 提案手法の中心となるのは,テキストレグレット・ツー・ゴートークンによる最適化履歴の増大である。
  論文  参考訳（メタデータ） (2024-02-27T11:32:14Z)
• ROMO: Retrieval-enhanced Offline Model-based Optimization [14.277672372460785]
  データ駆動型ブラックボックスモデルベース最適化(MBO)の問題は、多くの実用的なアプリケーションシナリオで発生します。 検索強化オフラインモデルベース最適化(ROMO)を提案する。 ROMOは実装が簡単で、CoMBO設定における最先端のアプローチよりも優れている。
  論文  参考訳（メタデータ） (2023-10-11T15:04:33Z)
• Large-Batch, Iteration-Efficient Neural Bayesian Design Optimization [37.339567743948955]
  本稿では,BOの限界に対処するための新しいベイズ最適化フレームワークを提案する。 我々の重要な貢献は、高度にスケーラブルでサンプルベースの取得機能であり、非支配的な目的のソートを実行する。 我々は,ベイズ型ニューラルネットワークサロゲートと組み合わせることで,最小限の反復数でデータ集約環境に有効であることを示す。
  論文  参考訳（メタデータ） (2023-06-01T19:10:57Z)
• Generative Pretraining for Black-Box Optimization [29.64357898080842]
  我々は,新しいブラックボックス関数を事前学習するための生成フレームワークBONETを提案する。 BONETでは、オフラインデータセットから派生した固定長軌道上で自己回帰モデルを訓練する。 BONETをDesign-Benchでランク付けします。
  論文  参考訳（メタデータ） (2022-06-22T00:54:30Z)
• 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)
• JUMBO: Scalable Multi-task Bayesian Optimization using Offline Data [86.8949732640035]
  追加データをクエリすることで制限をサイドステップするMBOアルゴリズムであるJUMBOを提案する。 GP-UCBに類似した条件下では, 応答が得られないことを示す。 実世界の2つの最適化問題に対する既存手法に対する性能改善を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-02T05:03:38Z)
• Offline Model-Based Optimization via Normalized Maximum Likelihood Estimation [101.22379613810881]
  データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。 この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。 我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
  論文  参考訳（メタデータ） (2021-02-16T06:04:27Z)

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。