論文の概要: Multi-Fidelity Cost-Aware Bayesian Optimization
- arxiv url: http://arxiv.org/abs/2211.02732v1
- Date: Fri, 4 Nov 2022 20:07:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 18:14:20.004803
- Title: Multi-Fidelity Cost-Aware Bayesian Optimization
- Title(参考訳): 多要素コストを考慮したベイズ最適化
- Authors: Zahra Zanjani Foumani, Mehdi Shishehbor, Amin Yousefpour, and Ramin
Bostanabad
- Abstract要約: ベイズ最適化(BO)における一般的な戦略は、高忠実度データにのみ依存するのではなく、安価な低忠実度データを提供する情報ソースのアンサンブルを使用することである。
本稿では, 高効率, 整合性, 堅牢性の観点から, 最先端技術を劇的に向上させる多要素コスト対応BOフレームワークを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bayesian optimization (BO) is increasingly employed in critical applications
such as materials design and drug discovery. An increasingly popular strategy
in BO is to forgo the sole reliance on high-fidelity data and instead use an
ensemble of information sources which provide inexpensive low-fidelity data.
The overall premise of this strategy is to reduce the overall sampling costs by
querying inexpensive low-fidelity sources whose data are correlated with
high-fidelity samples. Here, we propose a multi-fidelity cost-aware BO
framework that dramatically outperforms the state-of-the-art technologies in
terms of efficiency, consistency, and robustness. We demonstrate the advantages
of our framework on analytic and engineering problems and argue that these
benefits stem from our two main contributions: (1) we develop a novel
acquisition function for multi-fidelity cost-aware BO that safeguards the
convergence against the biases of low-fidelity data, and (2) we tailor a newly
developed emulator for multi-fidelity BO which enables us to not only
simultaneously learn from an ensemble of multi-fidelity datasets, but also
identify the severely biased low-fidelity sources that should be excluded from
BO.
- Abstract(参考訳): ベイズ最適化(BO)は、材料設計や薬物発見といった重要な応用にますます採用されている。
boの戦略は、高忠実度データのみに依存することを禁じ、代わりに安価な低忠実度データを提供する情報ソースのアンサンブルを使用することである。
この戦略の全体的な前提は、データを高忠実度なサンプルと関連付ける安価な低忠実なソースに問い合わせることによって、サンプリングコスト全体の削減である。
本稿では,効率,一貫性,堅牢性の観点から最先端技術を劇的に上回る多元的コスト認識型boフレームワークを提案する。
We demonstrate the advantages of our framework on analytic and engineering problems and argue that these benefits stem from our two main contributions: (1) we develop a novel acquisition function for multi-fidelity cost-aware BO that safeguards the convergence against the biases of low-fidelity data, and (2) we tailor a newly developed emulator for multi-fidelity BO which enables us to not only simultaneously learn from an ensemble of multi-fidelity datasets, but also identify the severely biased low-fidelity sources that should be excluded from BO.
関連論文リスト
- Physics-Aware Multifidelity Bayesian Optimization: a Generalized
Formulation [0.0]
MFBO(Multifidelity Bayesian Method)は、クエリのサブセレクションのみに対して、コストの高い高忠実度応答を組み込むことができる。
State-of-the-artメソッドは純粋にデータ駆動型検索に依存しており、物理的なコンテキストに関する明示的な情報は含まない。
本稿では、これらのデータ駆動探索を高速化するために、工学的問題の物理領域に関する事前知識を活用することができることを認めた。
論文 参考訳(メタデータ) (2023-12-10T09:11:53Z) - Privacy-preserving Federated Primal-dual Learning for Non-convex and
Non-smooth Problems with Model Sparsification [54.767648945613004]
フェデレートラーニング(FL)は急速に成長している分野として認識されている。
パラメータの非平滑性と非共有性は、FLアプリケーションで一般的である。
論文 参考訳(メタデータ) (2023-10-30T14:15:47Z) - Filling the Missing: Exploring Generative AI for Enhanced Federated
Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。
実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
論文 参考訳(メタデータ) (2023-10-21T12:07:04Z) - On the Effects of Heterogeneous Errors on Multi-fidelity Bayesian
Optimization [0.0]
データソース毎にノイズモデルを学習するMFエミュレーション手法を提案する。
材料設計における分析例と工学的問題を通して,本手法の性能について解説する。
論文 参考訳(メタデータ) (2023-09-06T06:26:21Z) - Multi-Fidelity Bayesian Optimization with Unreliable Information Sources [12.509709549771385]
GPベースのMFBOスキームを信頼性のない情報ソースの追加により堅牢にするためのrMFBO(robust MFBO)を提案する。
提案手法の有効性を,多数の数値ベンチマークで示す。
rMFBOは、BOプロセスに様々な知識を持つ人間の専門家を確実に含めるのに特に有用であると考えています。
論文 参考訳(メタデータ) (2022-10-25T11:47:33Z) - Mechanisms that Incentivize Data Sharing in Federated Learning [90.74337749137432]
我々は、データ共有の利点が完全に損なわれているような、ナイーブなスキームが破滅的なフリーライディングのレベルにどのように結びつくかを示す。
次に,各エージェントが生成するデータ量を最大化する精度形成機構を導入する。
論文 参考訳(メタデータ) (2022-07-10T22:36:52Z) - Multifidelity Reinforcement Learning with Control Variates [3.2895195535353317]
多くの計算科学や工学の応用において、与えられた入力に対応する興味あるシステムの出力は、異なるコストで異なるレベルの忠実度でクエリすることができる。
本研究では、与えられた制御タスクに対して、異なるレベルの忠実度を持つ複数の環境が存在する場合の強化学習問題について検討する。
状態-作用値関数の推定におけるばらつきを低減するために,低忠実度と高忠実度との相互相関を利用した多忠実度推定器を提案する。
論文 参考訳(メタデータ) (2022-06-10T15:01:37Z) - VFed-SSD: Towards Practical Vertical Federated Advertising [53.08038962443853]
本稿では,2つの制限を緩和する半教師付き分割蒸留フレームワーク VFed-SSD を提案する。
具体的には,垂直分割された未ラベルデータを利用する自己教師型タスクMatchedPair Detection (MPD) を開発する。
当社のフレームワークは,デプロイコストの最小化と大幅なパフォーマンス向上を図った,リアルタイム表示広告のための効率的なフェデレーション強化ソリューションを提供する。
論文 参考訳(メタデータ) (2022-05-31T17:45:30Z) - CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。
このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。
提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
論文 参考訳(メタデータ) (2022-03-03T05:58:49Z) - Cost-Effective Federated Learning in Mobile Edge Networks [37.16466118235272]
フェデレートラーニング(FL)は、多くのモバイルデバイスが生データを共有せずに協調的にモデルを学習できる分散ラーニングパラダイムである。
本研究は,モバイルエッジネットワークにおける適応FLの設計手法を解析し,本質的な制御変数を最適に選択し,総コストを最小化する。
我々は,収束関連未知パラメータを学習するために,低コストなサンプリングベースアルゴリズムを開発した。
論文 参考訳(メタデータ) (2021-09-12T03:02:24Z) - Data Sharing Markets [95.13209326119153]
我々は、各エージェントがデータの買い手および売り手の両方になり得る設定について検討する。
両データ交換(データ付きトレーディングデータ)と一方データ交換(お金付きトレーディングデータ)の2つの事例を考察する。
論文 参考訳(メタデータ) (2021-07-19T06:00:34Z)
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。