論文の概要: R-MBO: A Multi-surrogate Approach for Preference Incorporation in
Multi-objective Bayesian Optimisation
- arxiv url: http://arxiv.org/abs/2204.13166v1
- Date: Wed, 27 Apr 2022 19:58:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-29 12:21:29.666554
- Title: R-MBO: A Multi-surrogate Approach for Preference Incorporation in
Multi-objective Bayesian Optimisation
- Title（参考訳）: r-mbo:多目的ベイズ最適化における選好導入のためのマルチサーロゲートアプローチ
- Authors: Tinkle Chugh
- Abstract要約: 本稿では,多目的BOにおける意思決定者の嗜好として,目的関数を目的関数値に組み込むための,a-priori Multi-surrogateアプローチを提案する。
ベンチマークと実世界の最適化問題に対する既存モノ代理手法との比較は,提案手法の可能性を示している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Many real-world multi-objective optimisation problems rely on computationally
expensive function evaluations. Multi-objective Bayesian optimisation (BO) can
be used to alleviate the computation time to find an approximated set of Pareto
optimal solutions. In many real-world problems, a decision-maker has some
preferences on the objective functions. One approach to incorporate the
preferences in multi-objective BO is to use a scalarising function and build a
single surrogate model (mono-surrogate approach) on it. This approach has two
major limitations. Firstly, the fitness landscape of the scalarising function
and the objective functions may not be similar. Secondly, the approach assumes
that the scalarising function distribution is Gaussian, and thus a closed-form
expression of an acquisition function e.g., expected improvement can be used.
We overcome these limitations by building independent surrogate models
(multi-surrogate approach) on each objective function and show that the
distribution of the scalarising function is not Gaussian. We approximate the
distribution using Generalised value distribution. We present an a-priori
multi-surrogate approach to incorporate the desirable objective function values
(or reference point) as the preferences of a decision-maker in multi-objective
BO. The results and comparison with the existing mono-surrogate approach on
benchmark and real-world optimisation problems show the potential of the
proposed approach.
- Abstract（参考訳）: 実世界の多目的最適化問題の多くは計算コストの高い関数評価に依存している。
多目的ベイズ最適化(BO)は計算時間を緩和し、パレート最適解の近似集合を見つけるために用いられる。
多くの実世界の問題において、意思決定者は目的関数を好みます。
多目的boに選好を組み込む1つのアプローチは、スカラー関数を使用して単一のサーロゲートモデル(モノサーロゲートアプローチ)を構築することである。
このアプローチには2つの大きな制限がある。
第一に、スキャラライジング関数と目的関数のフィットネスランドスケープは似ていないかもしれない。
第二に、スカラー関数分布がガウス的であると仮定し、例えば期待改善のような取得関数の閉形式表現を用いることができる。
これらの制約を各目的関数上に独立代理モデルを構築することで克服し、スカラー化関数の分布がガウス的でないことを示す。
一般化値分布を用いて分布を近似する。
本稿では,多目的boにおける意思決定者の選好として望ましい目的関数値(あるいは参照点)を取り入れたa-priori multi-surrogateアプローチを提案する。
ベンチマークおよび実世界の最適化問題に対する既存のモノサーロゲートアプローチとの比較は,提案手法の可能性を示している。
関連論文リスト
- Federated Communication-Efficient Multi-Objective Optimization [27.492821176616815]
本稿では,従来の手法と比較して誤り収束性能を向上させる新しいFMOOアルゴリズムであるFedCMOOを提案する。
また,FedCMOOの変種を導入し,最終目標値の所望の比率で目的値の勾配を指定できるようにした。
論文 参考訳（メタデータ） (2024-10-21T18:09:22Z) - UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [75.11267478778295]
マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。
重みベクトル w でパラメータ化される線型効用関数の場合に焦点を当てる。
学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
論文 参考訳（メタデータ） (2024-05-01T09:34:42Z) - Joint Entropy Search for Multi-objective Bayesian Optimization [0.0]
本稿では,統合エントロピー探索(Joint Entropy Search)と呼ばれるBOのための情報理論獲得関数を提案する。
本稿では, ハイパーボリュームとその重み付き変種の観点から, 合成および実世界の諸問題に対するこの新しいアプローチの有効性を示す。
論文 参考訳（メタデータ） (2022-10-06T13:19:08Z) - Batch Bayesian Optimization via Particle Gradient Flows [0.5735035463793008]
ブラックボックスとしてしか利用できない,あるいは評価に費用がかかる対象関数のグローバルな最適化方法を示す。
確率測度の空間上の多点予測確率に基づく新しい関数を構築する。
論文 参考訳（メタデータ） (2022-09-10T18:10:15Z) - A General Recipe for Likelihood-free Bayesian Optimization [115.82591413062546]
我々は,BOをより広範なモデルやユーティリティに拡張する可能性のないBO(LFBO)を提案する。
LFBOは、確率的代理モデルと個別に推論を行うことなく、取得関数を直接モデル化する。
LFBOにおける取得関数の計算は、重み付けされた分類問題を最適化することで削減できることを示す。
論文 参考訳（メタデータ） (2022-06-27T03:55:27Z) - Mono-surrogate vs Multi-surrogate in Multi-objective Bayesian
Optimisation [0.0]
目的関数毎に代理モデルを構築し、スカラー化関数分布がガウス的でないことを示す。
標準ベンチマークや実世界の最適化問題に対する既存手法との比較は,マルチサロゲート方式の可能性を示している。
論文 参考訳（メタデータ） (2022-05-02T09:25:04Z) - RoMA: Robust Model Adaptation for Offline Model-based Optimization [115.02677045518692]
入力出力クエリの静的データセットからブラックボックス目的関数を最大化する入力を探索する問題を考える。
この問題を解決するための一般的なアプローチは、真の客観的関数を近似するプロキシモデルを維持することである。
ここでの大きな課題は、検索中に逆最適化された入力を避ける方法である。
論文 参考訳（メタデータ） (2021-10-27T05:37:12Z) - Approximate Bayesian Optimisation for Neural Networks [6.921210544516486]
モデル選択の重要性を強調するために、機械学習アルゴリズムを自動化するための一連の作業が行われた。
理想主義的な方法で解析的トラクタビリティと計算可能性を解決する必要性は、効率と適用性を確保することを可能にしている。
論文 参考訳（メタデータ） (2021-08-27T19:03:32Z) - Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。
このアプローチは多くの実装と最適化の課題をもたらします。
提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
論文 参考訳（メタデータ） (2021-03-18T14:26:26Z) - Robust, Accurate Stochastic Optimization for Variational Inference [68.83746081733464]
また, 共通最適化手法は, 問題が適度に大きい場合, 変分近似の精度が低下することを示した。
これらの結果から,基礎となるアルゴリズムをマルコフ連鎖の生成とみなして,より堅牢で正確な最適化フレームワークを開発する。
論文 参考訳（メタデータ） (2020-09-01T19:12:11Z) - A Multi-Agent Primal-Dual Strategy for Composite Optimization over
Distributed Features [52.856801164425086]
目的関数を滑らかな局所関数と凸(おそらく非滑らか)結合関数の和とするマルチエージェント共有最適化問題について検討する。
論文 参考訳（メタデータ） (2020-06-15T19:40:24Z)
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。