論文の概要: PyBADS: Fast and robust black-box optimization in Python

• arxiv url: http://arxiv.org/abs/2306.15576v1
• Date: Tue, 27 Jun 2023 15:54:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-28 12:41:57.228818
• Title: PyBADS: Fast and robust black-box optimization in Python
• Title（参考訳）: PyBADS: Pythonの高速で堅牢なブラックボックス最適化
• Authors: Gurjeet Sangra Singh, Luigi Acerbi
• Abstract要約: PyBADSは、高速で堅牢なブラックボックス最適化のためのAdaptive Direct Search (BADS)アルゴリズムの実装である。 結果を実行するアルゴリズムを実行するための、使い易いPythonインターフェースとともに提供される。
• 参考スコア（独自算出の注目度）: 11.4219428942199
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: PyBADS is a Python implementation of the Bayesian Adaptive Direct Search (BADS) algorithm for fast and robust black-box optimization (Acerbi and Ma 2017). BADS is an optimization algorithm designed to efficiently solve difficult optimization problems where the objective function is rough (non-convex, non-smooth), mildly expensive (e.g., the function evaluation requires more than 0.1 seconds), possibly noisy, and gradient information is unavailable. With BADS, these issues are well addressed, making it an excellent choice for fitting computational models using methods such as maximum-likelihood estimation. The algorithm scales efficiently to black-box functions with up to $D \approx 20$ continuous input parameters and supports bounds or no constraints. PyBADS comes along with an easy-to-use Pythonic interface for running the algorithm and inspecting its results. PyBADS only requires the user to provide a Python function for evaluating the target function, and optionally other constraints. Extensive benchmarks on both artificial test problems and large real model-fitting problems models drawn from cognitive, behavioral and computational neuroscience, show that BADS performs on par with or better than many other common and state-of-the-art optimizers (Acerbi and Ma 2017), making it a general model-fitting tool which provides fast and robust solutions.
• Abstract（参考訳）: PyBADSは、高速で堅牢なブラックボックス最適化のためのBayesian Adaptive Direct Search (BADS)アルゴリズムのPython実装である(AcerbiとMa 2017)。 BADSは、目的関数が粗く(非凸、非平滑)、軽度に高価(例えば、関数評価は0.1秒以上)、ノイズがあり、勾配情報が利用できないという難しい最適化問題を効率的に解くために設計された最適化アルゴリズムである。 BADSでは、これらの問題はよく解決されており、最大形推定などの手法を用いて計算モデルを適合させるには優れた選択である。 このアルゴリズムは、最大$D \approx 20$連続入力パラメータを持つブラックボックス関数に効率よくスケールし、バウンダリをサポートする。 PyBADSには,アルゴリズムの実行と結果の検査を行うための,使い易いPythonicインターフェースが付属している。 PyBADSは、ユーザがターゲット関数やオプションで他の制約を評価するためにPython関数を提供する必要がある。 認知、行動、計算神経科学から引き出された、人工的なテスト問題と大規模な実モデル適合問題に関する広範囲なベンチマークは、BADSが他の多くの一般的な最先端のオプティマイザ(AcerbiとMa 2017)と同等以上のパフォーマンスを示し、高速で堅牢なソリューションを提供する一般的なモデル適合ツールであることを示している。

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)
• PyVBMC: Efficient Bayesian inference in Python [8.924669503280333]
  PyVBMCは、後方およびモデル推論のための変分ベイズモンテカルロ (VBMC) アルゴリズムのPython実装である。 VBMCは、モデル評価が軽度から極端に高価である場合に、効率的なパラメータ推定とモデル評価のために設計されている。
  論文  参考訳（メタデータ） (2023-03-16T17:37:22Z)
• PyEPO: A PyTorch-based End-to-End Predict-then-Optimize Library for Linear and Integer Programming [9.764407462807588]
  我々はPythonのPyTorchベースのエンドツーエンド予測最適化ライブラリであるPyEPOパッケージを提示する。 PyEPOは、予測対象関数係数を持つ線形および整数プログラミングのための最初の汎用ツールである。
  論文  参考訳（メタデータ） (2022-06-28T18:33:55Z)
• Speeding Up OPFython with Numba [0.0]
  Optimum-Path Forest (OPF)は、ロジスティック回帰、サポートベクトルマシンに匹敵する最先端のアルゴリズムであることが証明されている。 最近、PythonベースのバージョンはOPFythonと呼ばれ、よりフレンドリーなフレームワークとより高速なプロトタイピング環境を提供することが提案されている。 本稿では,Numpyに基づく計算を高速化し,アルゴリズム全体の性能向上を図るため,Numbaパッケージを用いた簡易かつ高効率な高速化を提案する。
  論文  参考訳（メタデータ） (2021-06-22T14:39:32Z)
• 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$mathcal O(N-sqrt)で指数的再帰を達成できる最初の実践的手法であるBOOアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T13:07:44Z)
• Bayesian Algorithm Execution: Estimating Computable Properties of Black-box Functions Using Mutual Information [78.78486761923855]
  多くの現実世界では、T関数の評価の予算を考えると、高価なブラックボックス関数 f の性質を推測したい。 本稿では,アルゴリズムの出力に対して相互情報を最大化するクエリを逐次選択する手法InfoBAXを提案する。 これらの問題に対してInfoBAXは、元のアルゴリズムで要求されるより500倍少ないクエリをfに使用する。
  論文  参考訳（メタデータ） (2021-04-19T17:22:11Z)
• Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
  本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。 問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。 本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-07T08:00:02Z)
• Online Model Selection for Reinforcement Learning with Function Approximation [50.008542459050155]
  我々は、$tildeO(L5/6 T2/3)$ regretで最適な複雑性に適応するメタアルゴリズムを提案する。 また、メタアルゴリズムは、インスタンス依存の後悔境界を著しく改善することを示す。
  論文  参考訳（メタデータ） (2020-11-19T10:00:54Z)
• Scalable Combinatorial Bayesian Optimization with Tractable Statistical models [44.25245545568633]
  緩和空間上のブラックボックス関数(集合、列、木、グラフなど)を最適化する問題について検討する。 サブモジュール緩和の最近の進歩に基づき,BOCSモデルにおけるAFO問題のスケーラビリティと精度向上を目標として,Parametrized Submodular (PSR) のアプローチを検討する。 多様なベンチマーク問題に対する実験では、BOCSモデルに対するPSRによる大幅な改善が示されている。
  論文  参考訳（メタデータ） (2020-08-18T22:56:46Z)
• A Two-Timescale Framework for Bilevel Optimization: Complexity Analysis and Application to Actor-Critic [142.1492359556374]
  双レベル最適化は、2レベル構造を示す問題のクラスである。 このような二段階問題に対処するための2段階近似(TTSA)アルゴリズムを提案する。 本稿では,TTSAフレームワークの特殊な事例として,2段階の自然なアクター・クリティカルポリシー最適化アルゴリズムが有用であることを示す。
  論文  参考訳（メタデータ） (2020-07-10T05:20:02Z)

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。