論文の概要: NUBO: A Transparent Python Package for Bayesian Optimisation
- arxiv url: http://arxiv.org/abs/2305.06709v1
- Date: Thu, 11 May 2023 10:34:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-12 15:10:49.198907
- Title: NUBO: A Transparent Python Package for Bayesian Optimisation
- Title(参考訳): NUBO:ベイズ最適化のための透過的なPythonパッケージ
- Authors: Mike Diessner, Kevin Wilson, Richard D. Whalley
- Abstract要約: NUBOはブラックボックス関数の最適化のためのフレームワークである。
あらゆる分野の研究者が容易にアクセスできるように設計されている。
連続的な単一点、並列多点、および有界、制約付きおよび/または混合(離散および連続)パラメータ入力空間の非同期最適化をサポートする。
- 参考スコア(独自算出の注目度): 0.2578242050187029
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: NUBO, short for Newcastle University Bayesian Optimisation, is a Bayesian
optimisation framework for the optimisation of expensive-to-evaluate black-box
functions, such as physical experiments and computer simulators. Bayesian
optimisation is a cost-efficient optimisation strategy that uses surrogate
modelling via Gaussian processes to represent an objective function and
acquisition functions to guide the selection of candidate points to approximate
the global optimum of the objective function. NUBO itself focuses on
transparency and user experience to make Bayesian optimisation easily
accessible to researchers from all disciplines. Clean and understandable code,
precise references, and thorough documentation ensure transparency, while user
experience is ensured by a modular and flexible design, easy-to-write syntax,
and careful selection of Bayesian optimisation algorithms. NUBO allows users to
tailor Bayesian optimisation to their specific problem by writing the
optimisation loop themselves using the provided building blocks. It supports
sequential single-point, parallel multi-point, and asynchronous optimisation of
bounded, constrained, and/or mixed (discrete and continuous) parameter input
spaces. Only algorithms and methods that are extensively tested and validated
to perform well are included in NUBO. This ensures that the package remains
compact and does not overwhelm the user with an unnecessarily large number of
options. The package is written in Python but does not require expert knowledge
of Python to optimise your simulators and experiments. NUBO is distributed as
open-source software under the BSD 3-Clause licence.
- Abstract(参考訳): NUBO(ニューカッスル大学ベイズ最適化、英: Newcastle University Bayesian Optimisation)は、物理実験やコンピュータシミュレータなどの高価なブラックボックス関数の最適化のためのベイズ最適化フレームワークである。
ベイズ最適化 (Bayesian optimization) は、ガウス過程による代理モデリングを用いて目的関数と獲得関数を表現し、対象関数の大域的最適を近似するために候補点の選択を導くコスト効率のよい最適化戦略である。
NUBO自体は透明性とユーザエクスペリエンスを重視しており、ベイズ最適化をあらゆる分野の研究者が容易に利用できるようにしている。
クリーンで理解可能なコード、正確な参照、詳細なドキュメントは透明性を保証する一方で、ユーザエクスペリエンスはモジュール化されたフレキシブルな設計、書きやすい構文、ベイズ最適化アルゴリズムの慎重に選択によって保証される。
NUBOは、提供されたビルディングブロックを使用して最適化ループを自身で書くことで、ベイズ最適化を特定の問題に合わせることができる。
連続的な単一点、並列多点、および有界、制約付きおよび/または混合(離散および連続)パラメータ入力空間の非同期最適化をサポートする。
正常に動作するために広範囲にテストされ、検証されるアルゴリズムとメソッドのみがNUBOに含まれている。
これにより、パッケージがコンパクトで、不要な数のオプションでユーザを圧倒しないことが保証される。
パッケージはPythonで書かれているが、シミュレータと実験を最適化するためにPythonのエキスパート知識を必要としない。
NUBOはBSD 3-Clauseライセンスの下でオープンソースソフトウェアとして配布されている。
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) - A General Framework for User-Guided Bayesian Optimization [51.96352579696041]
コラボ (ColaBO) は、典型的なカーネル構造を超越した事前信念のための最初のベイズ原理の枠組みである。
我々は,ColaBOの事前情報が正確である場合に最適化を著しく高速化し,ミスリード時のほぼ既定性能を維持する能力を実証的に実証した。
論文 参考訳(メタデータ) (2023-11-24T18:27:26Z) - 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) - Optimistic Optimization of Gaussian Process Samples [30.226274682578172]
競合する、計算的により効率的でグローバルな最適化フレームワークは楽観的な最適化であり、これは探索空間の幾何学に関する事前知識を相似関数として利用している。
幾何的探索と確率的探索の間には新たな研究領域があり、ベイズ最適化の重要な機能を保ちながら、従来のベイズ最適化よりも大幅に高速に実行される方法がある。
論文 参考訳(メタデータ) (2022-09-02T09:06:24Z) - On the development of a Bayesian optimisation framework for complex
unknown systems [11.066706766632578]
本稿では, ベイズ最適化アルゴリズムを様々な合成試験関数に対して実験的に検討し, 比較する。
取得関数の選択とトレーニングサンプル数,取得関数の正確な計算,モンテカルロに基づくアプローチについて検討する。
論文 参考訳(メタデータ) (2022-07-19T09:50:34Z) - Surrogate modeling for Bayesian optimization beyond a single Gaussian
process [62.294228304646516]
本稿では,探索空間の活用と探索のバランスをとるための新しいベイズ代理モデルを提案する。
拡張性のある関数サンプリングを実現するため、GPモデル毎にランダムな特徴ベースのカーネル近似を利用する。
提案した EGP-TS を大域的最適に収束させるため,ベイズ的後悔の概念に基づいて解析を行う。
論文 参考訳(メタデータ) (2022-05-27T16:43:10Z) - The ensmallen library for flexible numerical optimization [15.78308411537254]
我々は,ユーザ供給対象関数を数学的に最適化するための柔軟なC++フレームワークを提供する,コンパクトな数値最適化ライブラリの概要を述べる。
汎用関数、微分可能関数、分離可能関数、制約関数、分類関数など、多くの目的関数がサポートされている。
論文 参考訳(メタデータ) (2021-08-30T03:49:21Z) - Bayesian Optimistic Optimisation with Exponentially Decaying Regret [58.02542541410322]
現在の実用的なBOアルゴリズムは、$mathcalO(fraclogNsqrtN)$から$mathcalO(e-sqrtN)$まで、$N$は評価の数である。
本稿では,boと木に基づく楽観的楽観化の概念を絡み合うことにより,無音環境における後悔を改善できる可能性について検討する。
次数$mathcal O(N-sqrt)で指数的再帰を達成できる最初の実践的手法であるBOOアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-05-10T13:07:44Z) - Bayesian Algorithm Execution: Estimating Computable Properties of
Black-box Functions Using Mutual Information [78.78486761923855]
多くの現実世界では、T関数の評価の予算を考えると、高価なブラックボックス関数 f の性質を推測したい。
本稿では,アルゴリズムの出力に対して相互情報を最大化するクエリを逐次選択する手法InfoBAXを提案する。
これらの問題に対してInfoBAXは、元のアルゴリズムで要求されるより500倍少ないクエリをfに使用する。
論文 参考訳(メタデータ) (2021-04-19T17:22:11Z) - Incorporating Expert Prior in Bayesian Optimisation via Space Warping [54.412024556499254]
大きな探索空間では、アルゴリズムは関数の最適値に達する前に、いくつかの低関数値領域を通過する。
このコールドスタートフェーズの1つのアプローチは、最適化を加速できる事前知識を使用することである。
本稿では,関数の事前分布を通じて,関数の最適性に関する事前知識を示す。
先行分布は、探索空間を最適関数の高確率領域の周りに拡張し、最適関数の低確率領域の周りに縮小するようにワープする。
論文 参考訳(メタデータ) (2020-03-27T06:18:49Z) - Flexible numerical optimization with ensmallen [15.78308411537254]
本報告では,数値最適化ライブラリの小型化について紹介する。
このライブラリは、任意のユーザ供給関数を数学的に最適化するための、高速で柔軟なC++フレームワークを提供する。
論文 参考訳(メタデータ) (2020-03-09T12:57:42Z)
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。