論文の概要: Guiding the Sequential Experiments in Autonomous Experimentation
Platforms through EI-based Bayesian Optimization and Bayesian Model Averaging
- arxiv url: http://arxiv.org/abs/2302.13360v1
- Date: Sun, 26 Feb 2023 17:31:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-28 17:36:18.203819
- Title: Guiding the Sequential Experiments in Autonomous Experimentation
Platforms through EI-based Bayesian Optimization and Bayesian Model Averaging
- Title(参考訳): eiベースベイズ最適化とベイズモデル平均化による自律実験プラットフォームにおける逐次実験の誘導
- Authors: Ahmed Shoyeb Raihan, Imtiaz Ahmed
- Abstract要約: AEPは、インテリジェントな制御の下で、材料設計空間(MDS)をシーケンシャルに探索し、望ましい特性でパラメータを識別できる先進的な製造プラットフォームである。
このような場合、搾取と探検のバランスがとらなければならない。
期待された改善に基づく(EIに基づく)獲得機能を備えたベイズ最適化フレームワークは、MDSを効果的に探索し、次の実験の実施場所を案内することができる。
- 参考スコア(独自算出の注目度): 2.094022863940315
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Autonomous Experimentation Platforms (AEPs) are advanced manufacturing
platforms that, under intelligent control, can sequentially search the material
design space (MDS) and identify parameters with the desired properties. At the
heart of the intelligent control of these AEPs is the policy guiding the
sequential experiments, which is to choose the location to carry out the next
experiment. In such cases, a balance between exploitation and exploration must
be achieved. A Bayesian Optimization (BO) framework with Expected Improvement
based (EI-based) acquisition function can effectively search the MDS and guide
where to conduct the next experiments so that the underlying relationship can
be identified with a smaller number of experiments. The traditional BO
framework tries to optimize a black box objective function in a sequential
manner by relying on a single model. However, this single-model approach does
not account for model uncertainty. Bayesian Model Averaging (BMA) addresses
this issue by working with multiple models and thus considering the uncertainty
in the models. In this work, we first apply the conventional BO algorithm with
the most popular EI-based experiment policy in a real-life fatigue dataset for
steel to predict the fatigue strength of steel. Afterward, we apply BMA to the
same dataset by working with a set of predictive models and compare the
performance of BMA with the traditional BO algorithm, which relies on a single
model for approximation. We compare the results in terms of RMSE and find that
BMA performs better than EI-based BO in the prediction task by considering the
model uncertainty in its framework.
- Abstract(参考訳): 自律実験プラットフォーム(Autonomous Experimentation Platforms, AEP)は、インテリジェントな制御の下で、材料設計空間(MDS)をシーケンシャルに探索し、望ましい特性でパラメータを識別できる先進的な製造プラットフォームである。
これらのAIPの知的制御の中心は、次の実験を行う場所を選択するためのシーケンシャルな実験を導く政策である。
このような場合、搾取と探検のバランスがとらなければならない。
期待改善ベース(EIベース)取得機能を備えたベイズ最適化(BO)フレームワークは、MDSを効果的に探索し、次の実験を行う場所を案内し、基礎となる関係をより少ない実験で特定できるようにする。
従来のBOフレームワークは、単一のモデルに依存して、ブラックボックスの目的関数を逐次的に最適化しようとする。
しかし、この単一モデルアプローチはモデルの不確かさを考慮しない。
ベイズモデル平均化(BMA)は、複数のモデルを扱うことでこの問題に対処し、モデルの不確実性を考慮する。
本研究では,鋼の疲労強度を予測するための実寿命疲労データセットにおいて,従来のBOアルゴリズムを最もポピュラーなEIベースの実験ポリシーで適用する。
その後、BMAを一連の予測モデルを用いて同一データセットに適用し、BMAの性能を従来のBOアルゴリズムと比較する。
RMSEの観点で比較した結果,BMAは予測タスクにおいて,モデルの不確実性を考慮して,EIベースのBOよりも優れていることがわかった。
関連論文リスト
- Poisson Process for Bayesian Optimization [126.51200593377739]
本稿では、Poissonプロセスに基づくランキングベースの代理モデルを提案し、Poisson Process Bayesian Optimization(PoPBO)と呼ばれる効率的なBOフレームワークを提案する。
従来のGP-BO法と比較すると,PoPBOはコストが低く,騒音に対する堅牢性も良好であり,十分な実験により検証できる。
論文 参考訳(メタデータ) (2024-02-05T02:54:50Z) - Online Variational Sequential Monte Carlo [56.16884466478886]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳(メタデータ) (2023-12-19T21:45:38Z) - Boosted Control Functions [10.503777692702952]
本研究の目的は,因果効果推定と予測タスクのギャップを埋めることである。
我々は,機械学習の分布場と同時方程式モデル,およびエコノメティクスの制御関数との新たな接続を確立する。
このフレームワーク内では、予測モデルに対する不変性の強い概念を提案し、それを既存の(ウィーカー)バージョンと比較する。
論文 参考訳(メタデータ) (2023-10-09T15:43:46Z) - A Deep Learning Method for Comparing Bayesian Hierarchical Models [1.6736940231069393]
本稿では,任意の階層モデルに対してベイズモデルの比較を行う深層学習手法を提案する。
提案手法は,任意の実データアプリケーションに先立って,後続モデル確率の効率的な再推定と高速な性能検証を可能にする。
論文 参考訳(メタデータ) (2023-01-27T17:27:07Z) - When to Update Your Model: Constrained Model-based Reinforcement
Learning [50.74369835934703]
モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。
続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。
さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
論文 参考訳(メタデータ) (2022-10-15T17:57:43Z) - Sample-Efficient Reinforcement Learning via Conservative Model-Based
Actor-Critic [67.00475077281212]
モデルベース強化学習アルゴリズムは、モデルフリーのアルゴリズムよりもサンプル効率が高い。
本稿では,精度の高い学習モデルに強く依存することなく,高いサンプル効率を実現する新しい手法を提案する。
CMBACは,いくつかの課題に対して,サンプル効率の点で最先端のアプローチを著しく上回ることを示す。
論文 参考訳(メタデータ) (2021-12-16T15:33:11Z) - Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。
GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。
本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
論文 参考訳(メタデータ) (2021-01-06T17:36:26Z) - Model-based Policy Optimization with Unsupervised Model Adaptation [37.09948645461043]
本研究では,不正確なモデル推定による実データとシミュレーションデータのギャップを埋めて,より良いポリシ最適化を実現する方法について検討する。
本稿では,教師なしモデル適応を導入したモデルベース強化学習フレームワークAMPOを提案する。
提案手法は,一連の連続制御ベンチマークタスクにおけるサンプル効率の観点から,最先端の性能を実現する。
論文 参考訳(メタデータ) (2020-10-19T14:19:42Z) - Control as Hybrid Inference [62.997667081978825]
本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。
連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
論文 参考訳(メタデータ) (2020-07-11T19:44:09Z) - Sequential Bayesian Experimental Design for Implicit Models via Mutual
Information [12.68659360172393]
自然科学と医学科学に特に興味を持つモデルのクラスは暗黙のモデルである。
モデルパラメータとシミュレーションデータ間の相互情報(MI)を実用関数として用いたパラメータ推定のための新しい逐次設計フレームワークを考案する。
我々のフレームワークは、テストされた様々な暗黙のモデルに対して効率的であることが分かり、数回の反復で正確なパラメータ推定が得られます。
論文 参考訳(メタデータ) (2020-03-20T16:52:10Z)
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。