論文の概要: On the development of a practical Bayesian optimisation algorithm for
expensive experiments and simulations with changing environmental conditions
- arxiv url: http://arxiv.org/abs/2402.03006v1
- Date: Mon, 5 Feb 2024 13:46:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 15:56:45.288032
- Title: On the development of a practical Bayesian optimisation algorithm for
expensive experiments and simulations with changing environmental conditions
- Title（参考訳）: 環境条件変化を伴う高価な実験・シミュレーションのための実用的なベイズ最適化アルゴリズムの開発
- Authors: Mike Diessner, Kevin J. Wilson, Richard D. Whalley
- Abstract要約: この記事では、ベイズ最適化を環境変化におけるシステムの最適化に拡張する。
提案アルゴリズムは,8つの制御可能かつ1つの環境パラメータを持つ風力発電シミュレータに適用する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Experiments in engineering are typically conducted in controlled environments
where parameters can be set to any desired value. This assumes that the same
applies in a real-world setting -- an assumption that is often incorrect as
many experiments are influenced by uncontrollable environmental conditions such
as temperature, humidity and wind speed. When optimising such experiments, the
focus should lie on finding optimal values conditionally on these
uncontrollable variables. This article extends Bayesian optimisation to the
optimisation of systems in changing environments that include controllable and
uncontrollable parameters. The extension fits a global surrogate model over all
controllable and environmental variables but optimises only the controllable
parameters conditional on measurements of the uncontrollable variables. The
method is validated on two synthetic test functions and the effects of the
noise level, the number of the environmental parameters, the parameter
fluctuation, the variability of the uncontrollable parameters, and the
effective domain size are investigated. ENVBO, the proposed algorithm resulting
from this investigation, is applied to a wind farm simulator with eight
controllable and one environmental parameter. ENVBO finds solutions for the
full domain of the environmental variable that outperforms results from
optimisation algorithms that only focus on a fixed environmental value in all
but one case while using a fraction of their evaluation budget. This makes the
proposed approach very sample-efficient and cost-effective. An off-the-shelf
open-source version of ENVBO is available via the NUBO Python package.
- Abstract（参考訳）: 工学の実験は通常、任意の所望値にパラメータを設定できる制御された環境で行われる。
この仮定は、多くの実験が温度、湿度、風速などの制御不能な環境条件の影響を受けているため、しばしば間違っているという仮定である。
このような実験を最適化する場合、制御不能な変数に条件付きで最適な値を見つけることに重点を置くべきである。
この記事では、制御可能パラメータと制御不能パラメータを含む環境変化におけるシステムの最適化にベイズ最適化を拡張します。
この拡張は、すべての制御可能変数および環境変数上のグローバルサーロゲートモデルに適合するが、制御不能変数の測定に基づいて条件付けられた制御可能パラメータのみを最適化する。
本手法は, 2つの合成テスト関数上で検証され, 騒音レベル, 環境パラメータ数, パラメータ変動, 制御不能パラメータの変動性, 有効領域サイズの影響について検討した。
本研究から得られたENVBOは,8つの制御可能な1つの環境パラメータを持つ風力発電シミュレータに適用した。
ENVBOは、評価予算のごく一部を使用しながら、固定された環境価値にのみ焦点をあてる最適化アルゴリズムから得られる、環境変数の完全な領域に対する解決策を見つける。
これにより、提案手法はサンプリング効率が高く、コスト効率が良い。
ENVBOの既製のオープンソースバージョンは、NUBO Pythonパッケージから入手できる。
関連論文リスト
- Certifiably Robust Policies for Uncertain Parametric Environments [57.2416302384766]
本稿ではパラメータ上の未知分布を持つパラメトリックマルコフ決定プロセス(MDP)に基づくフレームワークを提案する。
パラメータによって誘導される未知のサンプル環境に対するIMDPの学習と解析を行う。
当社のアプローチは,信頼度の高い政策のパフォーマンスに厳密な拘束力をもたらすことを示す。
論文 参考訳（メタデータ） (2024-08-06T10:48:15Z) - ETHER: Efficient Finetuning of Large-Scale Models with Hyperplane Reflections [59.839926875976225]
本稿では,HypErplane Reflectionsによる高効率微調整を行うETHER変換ファミリを提案する。
特に,既存のPEFT法と極めて少ないパラメータで一致または性能を向上するEtheRと緩和ETHER+を導入する。
論文 参考訳（メタデータ） (2024-05-30T17:26:02Z) - A Unified Gaussian Process for Branching and Nested Hyperparameter
Optimization [19.351804144005744]
ディープラーニングでは、条件に依存したパラメータのチューニングが一般的に行われている。
新しいGPモデルでは、新しいカーネル関数を通じて入力変数間の依存構造が説明される。
ニューラルネットワークの一連の合成シミュレーションおよび実データ応用において、高い予測精度とより良い最適化効率が観察される。
論文 参考訳（メタデータ） (2024-01-19T21:11:32Z) - Winning Prize Comes from Losing Tickets: Improve Invariant Learning by
Exploring Variant Parameters for Out-of-Distribution Generalization [76.27711056914168]
Out-of-Distribution (OOD) 一般化は、分散固有の特徴に適合することなく、様々な環境によく適応する堅牢なモデルを学ぶことを目的としている。
LTH(Lottery Ticket hypothesis)に基づく最近の研究は、学習目標を最小化し、タスクに重要なパラメータのいくつかを見つけることでこの問題に対処している。
Invariant Learning (EVIL) における変数探索手法を提案する。
論文 参考訳（メタデータ） (2023-10-25T06:10:57Z) - On the Effectiveness of Parameter-Efficient Fine-Tuning [79.6302606855302]
現在、多くの研究が、パラメータのごく一部のみを微調整し、異なるタスク間で共有されるパラメータのほとんどを保持することを提案している。
これらの手法は, いずれも細粒度モデルであり, 新たな理論的解析を行う。
我々の理論に根ざした空間性の有効性にもかかわらず、調整可能なパラメータをどう選ぶかという問題はまだ未解決のままである。
論文 参考訳（メタデータ） (2022-11-28T17:41:48Z) - Environment Optimization for Multi-Agent Navigation [11.473177123332281]
本研究の目的は,システムレベルの最適化問題において,環境を決定変数として考えることである。
完全性を確保しつつ環境が変化しうる条件を, 形式的証明を通じて示す。
幅広い実装シナリオに対応するため、オンラインとオフラインの両方の最適化と、離散環境と連続環境の両方の表現を含む。
論文 参考訳（メタデータ） (2022-09-22T19:22:16Z) - On Controller Tuning with Time-Varying Bayesian Optimization [74.57758188038375]
制御対象とその変更に関する適切な事前知識を用いて、時間変化最適化(TVBO)を用いて、変更環境におけるコントローラのオンラインチューニングを行う。
本研究では,不確実性注入(UI)を用いたTVBO戦略を提案する。
我々のモデルはTVBOの最先端手法よりも優れており、後悔の軽減と不安定なパラメータ構成の低減を実現している。
論文 参考訳（メタデータ） (2022-07-22T14:54:13Z) - Tuning Particle Accelerators with Safety Constraints using Bayesian
Optimization [73.94660141019764]
粒子加速器の機械パラメータのチューニングは反復的で時間を要する作業である。
我々は、安全なベイズ最適化のステップサイズ制限版を提案し、評価する。
論文 参考訳（メタデータ） (2022-03-26T02:21:03Z) - Bayesian Optimization for Distributionally Robust Chance-constrained
Problem [23.73485391229763]
一定の制約満足度確率の下で期待値を最大化する問題であるChance-Constrained (CC)問題は、環境変数の存在において事実上重要な問題の1つである。
提案手法は, 有限個の試行において高い確率で任意の精度の解を求めることができ, 数値実験により提案手法の有用性を確認した。
論文 参考訳（メタデータ） (2022-01-31T10:43:58Z) - Bayesian Quadrature Optimization for Probability Threshold Robustness
Measure [23.39754660544729]
多くの製品開発問題において、製品の性能は設計パラメータと環境パラメータと呼ばれる2種類のパラメータによって管理される。
本稿では、この実践的問題をアクティブラーニング(AL)問題として定式化し、理論的に保証された性能を持つ効率的なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-22T03:17:10Z) - Online Parameter Estimation for Safety-Critical Systems with Gaussian
Processes [6.122161391301866]
オンラインパラメータ推定のためのガウス過程(GP)に基づくベイズ最適化フレームワークを提案する。
パラメータ空間の応答面上の効率的な探索戦略を用いて、最小限の機能評価で大域最適解を求める。
我々は,パラメータの変化を考慮したシミュレーションにおいて,アクティベートされた平面振子と安全臨界振子について実演する。
論文 参考訳（メタデータ） (2020-02-18T20:38:00Z)
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。