論文の概要: Bayesian optimization as a flexible and efficient design framework for
sustainable process systems
- arxiv url: http://arxiv.org/abs/2401.16373v1
- Date: Mon, 29 Jan 2024 18:12:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 13:39:59.540179
- Title: Bayesian optimization as a flexible and efficient design framework for
sustainable process systems
- Title(参考訳): 持続的プロセスシステムのためのフレキシブルかつ効率的な設計フレームワークとしてのベイズ最適化
- Authors: Joel A. Paulson and Calvin Tsay
- Abstract要約: 本稿では,次世代プロセスシステムの設計におけるBOの最近の展開,課題,機会について概説する。
いくつかのモチベーションアプリケーションについて説明した後、これらのアプリケーションにおいて重要な問題により効率的に対処するために、BO法がどのように開発されたかについて論じる。
- 参考スコア(独自算出の注目度): 2.7059126618449527
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bayesian optimization (BO) is a powerful technology for optimizing noisy
expensive-to-evaluate black-box functions, with a broad range of real-world
applications in science, engineering, economics, manufacturing, and beyond. In
this paper, we provide an overview of recent developments, challenges, and
opportunities in BO for design of next-generation process systems. After
describing several motivating applications, we discuss how advanced BO methods
have been developed to more efficiently tackle important problems in these
applications. We conclude the paper with a summary of challenges and
opportunities related to improving the quality of the probabilistic model, the
choice of internal optimization procedure used to select the next sample point,
and the exploitation of problem structure to improve sample efficiency.
- Abstract(参考訳): ベイズ最適化(英: bayesian optimization、bo)は、科学、工学、経済学、製造など、様々な応用分野において、ノイズの多い高評価ブラックボックス関数を最適化するための強力な技術である。
本稿では,次世代プロセスシステム設計のためのboにおける最近の開発,課題,機会の概要について述べる。
モチベーションのあるアプリケーションをいくつか説明した後、これらのアプリケーションの重要な問題に対してより効率的に取り組むために、先進的なboメソッドがどのように開発されたかについて議論する。
本稿では,確率モデルの品質向上に関する課題と機会,次のサンプル点を選択するための内部最適化手順の選択,サンプル効率向上のための問題構造の利用についてまとめる。
関連論文リスト
- Reinforced In-Context Black-Box Optimization [67.02295929937829]
RIBBOは、オフラインデータからエンドツーエンドでBBOアルゴリズムを強化学習する手法である。
RIBBOは、複数の動作アルゴリズムとタスクによって生成された最適化履歴を学習するために、表現的なシーケンスモデルを使用している。
提案手法の中心となるのは,履歴の累積的後悔に基づくアルゴリズムの性能を表現するために,後悔から後悔へのトークンで最適化履歴を増大させることである。
論文 参考訳(メタデータ) (2024-02-27T11:32:14Z) - Enhanced Bayesian Optimization via Preferential Modeling of Abstract
Properties [49.351577714596544]
本研究では,非測定抽象特性に関する専門家の嗜好を代理モデルに組み込むための,人間とAIの協調型ベイズフレームワークを提案する。
優先判断において、誤った/誤解を招く専門家バイアスを処理できる効率的な戦略を提供する。
論文 参考訳(メタデータ) (2024-02-27T09:23:13Z) - Rethinking and Benchmarking Predict-then-Optimize Paradigm for
Combinatorial Optimization Problems [62.25108152764568]
多くのWebアプリケーションは、エネルギーコストを考慮したスケジューリング、Web広告の予算配分、ソーシャルネットワークでのグラフマッチングなど、最適化問題の解決に頼っている。
統一システムにおける予測と意思決定の性能について考察する。
我々は、現在のアプローチを包括的に分類し、既存の実験シナリオを統合する。
論文 参考訳(メタデータ) (2023-11-13T13:19:34Z) - Achieving Diversity in Objective Space for Sample-efficient Search of
Multiobjective Optimization Problems [4.732915763557618]
本稿では,LMS 取得機能を導入し,その挙動と特性を解析し,その実現可能性を示す。
この手法は、意思決定者に対して、将来性のある設計決定の堅牢なプールを提供し、優れたソリューションの空間をよりよく理解するのに役立つ。
論文 参考訳(メタデータ) (2023-06-23T20:42:22Z) - Transfer Learning for Bayesian Optimization: A Survey [29.229660973338145]
ブラックボックス最適化は、このような高価なブラックボックス機能をモデル化し、最適化する強力なツールである。
BOコミュニティの研究者たちは、最適化プロセスの高速化にトランスファーラーニングの精神を取り入れることを提案する。
論文 参考訳(メタデータ) (2023-02-12T14:37:25Z) - An Interactive Knowledge-based Multi-objective Evolutionary Algorithm
Framework for Practical Optimization Problems [5.387300498478744]
本稿では,対話型知識に基づく進化的多目的最適化(IK-EMO)フレームワークを提案する。
ハイパフォーマンスなソリューションの進化から知識として隠れた変数関係を抽出し、フィードバックを受け取るためにユーザと共有し、その効率を改善するために最適化プロセスに適用する。
提案したIK-EMOの動作は、3つの大規模な実世界のエンジニアリング設計問題で実証されている。
論文 参考訳(メタデータ) (2022-09-18T16:51:01Z) - Machine Learning Framework for Quantum Sampling of Highly-Constrained,
Continuous Optimization Problems [101.18253437732933]
本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。
本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
論文 参考訳(メタデータ) (2021-05-06T02:22:23Z) - Multi-Objective Optimization of the Textile Manufacturing Process Using
Deep-Q-Network Based Multi-Agent Reinforcement Learning [5.900286890213338]
本稿では,最適化プロセスをゲームに変換するマルチエージェント強化学習(MARL)フレームワークを提案する。
このゲームでは,複数平衡の中断を避けるために実用的選択機構が採用された。
提案したMARLシステムは,繊維のオゾン化プロセスの最適解を実現することが可能であり,従来の手法よりも優れた性能を発揮する。
論文 参考訳(メタデータ) (2020-12-02T11:37:44Z) - Bayesian Optimization for Selecting Efficient Machine Learning Models [53.202224677485525]
本稿では,予測効率とトレーニング効率の両面において,モデルを協調最適化するための統一ベイズ最適化フレームワークを提案する。
レコメンデーションタスクのためのモデル選択の実験は、この方法で選択されたモデルがモデルのトレーニング効率を大幅に改善することを示している。
論文 参考訳(メタデータ) (2020-08-02T02:56:30Z) - Automatically Learning Compact Quality-aware Surrogates for Optimization
Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。
最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。
我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文 参考訳(メタデータ) (2020-06-18T19:11:54Z) - Sample-Efficient Optimization in the Latent Space of Deep Generative
Models via Weighted Retraining [1.5293427903448025]
深部生成モデルから学習した低次元連続潜伏多様体の最適化を行う,効率的なブラックボックス最適化のための改良手法を提案する。
最適化軌道に沿ってクエリされたデータポイントの生成モデルを定期的に再学習し、目的関数値に応じてこれらのデータポイントを重み付けすることで、これを実現する。
この重み付けされたリトレーニングは既存の手法で容易に実装でき、合成および実世界の最適化問題において、その効率と性能を著しく向上することが実証的に示されている。
論文 参考訳(メタデータ) (2020-06-16T14:34:40Z)
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。