論文の概要: Robust Bayesian Target Value Optimization

• arxiv url: http://arxiv.org/abs/2301.04344v1
• Date: Wed, 11 Jan 2023 07:44:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-12 14:20:51.525871
• Title: Robust Bayesian Target Value Optimization
• Title（参考訳）: ロバストベイズ目標値最適化
• Authors: Johannes G. Hoffer and Sascha Ranftl and Bernhard C. Geiger
• Abstract要約: 我々は,ブラックボックス関数の出力が期待される2乗誤差の意味で,目標値に可能な限り近いようなブラックボックス関数への入力を求める問題を考察する。 我々は、期待される改善、改善の確率、低い信頼境界といった共通の基準に対して、アレター効果が既知の分散を持つガウス的であることを仮定して、取得関数を導出する。
• 参考スコア（独自算出の注目度）: 6.606745253604263
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of finding an input to a stochastic black box function such that the scalar output of the black box function is as close as possible to a target value in the sense of the expected squared error. While the optimization of stochastic black boxes is classic in (robust) Bayesian optimization, the current approaches based on Gaussian processes predominantly focus either on i) maximization/minimization rather than target value optimization or ii) on the expectation, but not the variance of the output, ignoring output variations due to stochasticity in uncontrollable environmental variables. In this work, we fill this gap and derive acquisition functions for common criteria such as the expected improvement, the probability of improvement, and the lower confidence bound, assuming that aleatoric effects are Gaussian with known variance. Our experiments illustrate that this setting is compatible with certain extensions of Gaussian processes, and show that the thus derived acquisition functions can outperform classical Bayesian optimization even if the latter assumptions are violated. An industrial use case in billet forging is presented.
• Abstract（参考訳）: 確率的ブラックボックス関数への入力をブラックボックス関数のスカラー出力が期待される2乗誤差の意味で可能な限りターゲット値に近づくような問題を考える。 確率的ブラックボックスの最適化は(ロバストな)ベイズ最適化において古典的であるが、ガウス過程に基づく現在のアプローチはどちらも主に焦点を当てている。 一 目標値の最適化よりも最大化及び最小化 二 制御不能な環境変数の確率性による出力変動を無視して、出力のばらつきを期待するが、変動しないさま。 本研究では,このギャップを埋め,期待値の改善,改善確率,信頼度率の低さといった共通基準に対する獲得関数を導出し,アレエータ効果が既知のばらつきを持つガウス型であると仮定する。 実験により、この設定はガウス過程のある種の拡張と互換性があることを示し、従って導出した取得関数は、後者の仮定に違反しても古典的ベイズ最適化よりも優れていることを示した。 ビレット鍛造の産業用ユースケースが提示される。

関連論文リスト

• Sample-efficient Bayesian Optimisation Using Known Invariances [56.34916328814857]
  バニラと制約付きBOアルゴリズムは、不変目的を最適化する際の非効率性を示す。 我々はこれらの不変カーネルの最大情報ゲインを導出する。 核融合炉用電流駆動システムの設計に本手法を用い, 高性能溶液の探索を行った。
  論文  参考訳（メタデータ） (2024-10-22T12:51:46Z)
• Covariance-Adaptive Sequential Black-box Optimization for Diffusion Targeted Generation [60.41803046775034]
  ユーザのブラックボックス目標スコアのみを用いた拡散モデルを用いて,ユーザ優先のターゲット生成を行う方法を示す。 数値実験問題と目標誘導型3次元分子生成タスクの両方の実験により,より優れた目標値を得る上で,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2024-06-02T17:26:27Z)
• Stochastic Bayesian Optimization with Unknown Continuous Context Distribution via Kernel Density Estimation [28.413085548038932]
  本稿では,カーネル密度推定を用いて連続文脈変数の確率密度関数(PDF)をオンラインで学習する2つのアルゴリズムを提案する。 理論的結果は、両方のアルゴリズムが期待する目的に対して準線形ベイズ累積後悔を持つことを示している。
  論文  参考訳（メタデータ） (2023-12-16T11:32:28Z)
• Bayesian Optimization with Conformal Prediction Sets [44.565812181545645]
  コンフォーマル予測(Conformal prediction)は、不確実な定量化手法であり、不特定モデルに対してもカバレッジを保証する。 本稿では,モデルの妥当性が保証された検索空間の領域にクエリを誘導する共形ベイズ最適化を提案する。 多くの場合、クエリのカバレッジはサンプル効率を損なうことなく大幅に改善できる。
  論文  参考訳（メタデータ） (2022-10-22T17:01:05Z)
• Generalizing Bayesian Optimization with Decision-theoretic Entropies [102.82152945324381]
  統計的決定論の研究からシャノンエントロピーの一般化を考える。 まず,このエントロピーの特殊なケースがBO手順でよく用いられる獲得関数に繋がることを示す。 次に、損失に対する選択肢の選択が、どのようにして柔軟な獲得関数の族をもたらすかを示す。
  論文  参考訳（メタデータ） (2022-10-04T04:43:58Z)
• Relaxed Gaussian process interpolation: a goal-oriented approach to Bayesian optimization [0.0]
  本研究では,ガウス過程(GP)モデリングの文脈で予測分布を求める新しい手法を提案する。 緩和ガウス過程(reGP)と呼ばれる手法は、興味の範囲でより良い予測分布を提供する。 これはゴール指向の方法と見なすことができ、ベイズ最適化において特に興味深いものとなる。
  論文  参考訳（メタデータ） (2022-06-07T06:26:46Z)
• Bayesian Optimization of Risk Measures [7.799648230758491]
  我々は、$rho[F(x, W) ]$ という形の目的関数のベイズ最適化を考える。 目的関数の構造を利用してサンプリング効率を大幅に向上する新しいベイズ最適化アルゴリズム群を提案する。
  論文  参考訳（メタデータ） (2020-07-10T18:20:46Z)
• Likelihood-Free Inference with Deep Gaussian Processes [70.74203794847344]
  サーロゲートモデルは、シミュレータ評価の回数を減らすために、可能性のない推論に成功している。 本稿では,より不規則な対象分布を扱えるディープガウス過程(DGP)サロゲートモデルを提案する。 本実験は,DGPがマルチモーダル分布を持つ目的関数上でGPよりも優れ,単調な場合と同等の性能を維持できることを示す。
  論文  参考訳（メタデータ） (2020-06-18T14:24:05Z)
• Randomised Gaussian Process Upper Confidence Bound for Bayesian Optimisation [60.93091603232817]
  改良されたガウス過程上信頼境界(GP-UCB)取得関数を開発した。 これは、分布から探索・探索トレードオフパラメータをサンプリングすることによって行われる。 これにより、期待されるトレードオフパラメータが、関数のベイズ的後悔に縛られることなく、問題によりよく適合するように変更できることが証明される。
  論文  参考訳（メタデータ） (2020-06-08T00:28:41Z)
• Uncertainty Quantification for Bayesian Optimization [12.433600693422235]
  目的関数の最大点(あるいは値)の信頼領域を構築することにより、ベイズ最適化アルゴリズムの出力不確実性を評価する新しい手法を提案する。 我々の理論は、既存のシーケンシャルサンプリングポリシーと停止基準に対する統一的な不確実性定量化フレームワークを提供する。
  論文  参考訳（メタデータ） (2020-02-04T22:48:07Z)
• Distributionally Robust Bayesian Quadrature Optimization [60.383252534861136]
  確率分布が未知な分布の不確実性の下でBQOについて検討する。 標準的なBQOアプローチは、固定されたサンプル集合が与えられたときの真の期待目標のモンテカルロ推定を最大化する。 この目的のために,新しい後方サンプリングに基づくアルゴリズム,すなわち分布的に堅牢なBQO(DRBQO)を提案する。
  論文  参考訳（メタデータ） (2020-01-19T12:00:33Z)

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。