論文の概要: Multi-Fidelity Methods for Optimization: A Survey

• arxiv url: http://arxiv.org/abs/2402.09638v1
• Date: Thu, 15 Feb 2024 00:52:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-16 17:29:09.039407
• Title: Multi-Fidelity Methods for Optimization: A Survey
• Title（参考訳）: 最適化のためのマルチフィデリティ手法:サーベイ
• Authors: Ke Li and Fan Li
• Abstract要約: MFO(Multi-fidelity Optimization)は、階層的フィデリティアプローチにより、高フィデリティ精度と計算効率のバランスをとる。 MFOの基本原則と方法論を深く掘り下げ、マルチフィデリティ・サロゲート・モデル、フィデリティ・マネジメント・ストラテジー、最適化・テクニックという3つの中核コンポーネントに注目します。 この調査では、機械学習、エンジニアリング設計の最適化、科学的発見など、いくつかの主要な領域にわたるMFOの多様な応用を強調している。
• 参考スコア（独自算出の注目度）: 12.659229934111975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world black-box optimization often involves time-consuming or costly experiments and simulations. Multi-fidelity optimization (MFO) stands out as a cost-effective strategy that balances high-fidelity accuracy with computational efficiency through a hierarchical fidelity approach. This survey presents a systematic exploration of MFO, underpinned by a novel text mining framework based on a pre-trained language model. We delve deep into the foundational principles and methodologies of MFO, focusing on three core components -- multi-fidelity surrogate models, fidelity management strategies, and optimization techniques. Additionally, this survey highlights the diverse applications of MFO across several key domains, including machine learning, engineering design optimization, and scientific discovery, showcasing the adaptability and effectiveness of MFO in tackling complex computational challenges. Furthermore, we also envision several emerging challenges and prospects in the MFO landscape, spanning scalability, the composition of lower fidelities, and the integration of human-in-the-loop approaches at the algorithmic level. We also address critical issues related to benchmarking and the advancement of open science within the MFO community. Overall, this survey aims to catalyze further research and foster collaborations in MFO, setting the stage for future innovations and breakthroughs in the field.
• Abstract（参考訳）: 実世界のブラックボックス最適化は、しばしば時間を要するかコストのかかる実験とシミュレーションを含む。 MFO(Multi-fidelity Optimization)は、階層的フィデリティアプローチによって高フィデリティ精度と計算効率のバランスをとるコスト効率の戦略である。 本研究は,事前学習した言語モデルに基づく新たなテキストマイニングフレームワークに基づく,mfoの体系的探索を提案する。 我々は,mfoの基本原則と方法論を深く掘り下げ,3つのコアコンポーネント(多元的サロゲートモデル,忠実性管理戦略,最適化技術)に焦点を当てた。 さらに、機械学習、エンジニアリング設計の最適化、科学的発見など、いくつかの重要なドメインにわたるmfoの多様な応用について、複雑な計算課題に取り組むmfoの適応性と有効性を示す。 さらに,mfoのランドスケープにおける新たな課題や展望,スケーラビリティ,低フィダリティの構成,アルゴリズムレベルでのヒューマン・イン・ザ・ループ・アプローチの統合などについても考察する。 また,MFOコミュニティにおけるベンチマークやオープンサイエンスの進展に関する重要な問題にも対処する。 本調査は総合的に,MFOにおけるさらなる研究と協力の促進を目標とし,今後のイノベーションとこの分野におけるブレークスルーの舞台となる。

関連論文リスト

• Unraveling the Versatility and Impact of Multi-Objective Optimization: Algorithms, Applications, and Trends for Solving Complex Real-World Problems [4.023511716339818]
  マルチオブジェクト最適化(MOO)技術は近年ますます人気が高まっている。 本稿では,最近開発されたMOOアルゴリズムについて検討する。 実世界のケーススタディでは、MOOアルゴリズムは複雑な意思決定課題に対処する。
  論文  参考訳（メタデータ） (2024-06-29T15:19:46Z)
• RLEMMO: Evolutionary Multimodal Optimization Assisted By Deep Reinforcement Learning [8.389454219309837]
  マルチモーダル最適化問題 (MMOP) は, 限られた関数評価において困難となる最適解の探索を必要とする。 本稿では,メタブラックボックス最適化フレームワークであるRLEMMOを提案する。 品質と多様性の両方を促進する新しい報酬メカニズムにより、RLEMMOはポリシー勾配アルゴリズムを用いて効果的に訓練できる。
  論文  参考訳（メタデータ） (2024-04-12T05:02:49Z)
• Multiobjective Optimization Analysis for Finding Infrastructure-as-Code Deployment Configurations [0.3774866290142281]
  本稿では,インフラストラクチャ・アズ・コード配置に関する多目的問題に焦点をあてる。 本稿では,9種類の進化型多目的アルゴリズムについて述べる。 フリードマンの非パラメトリックテストを用いて, 独立ランニング後の各手法の結果を比較した。
  論文  参考訳（メタデータ） (2024-01-18T13:55:32Z)
• Physics-Aware Multifidelity Bayesian Optimization: a Generalized Formulation [0.0]
  MFBO(Multifidelity Bayesian Method)は、クエリのサブセレクションのみに対して、コストの高い高忠実度応答を組み込むことができる。 State-of-the-artメソッドは純粋にデータ駆動型検索に依存しており、物理的なコンテキストに関する明示的な情報は含まない。 本稿では、これらのデータ駆動探索を高速化するために、工学的問題の物理領域に関する事前知識を活用することができることを認めた。
  論文  参考訳（メタデータ） (2023-12-10T09:11:53Z)
• The Efficiency Spectrum of Large Language Models: An Algorithmic Survey [54.19942426544731]
  LLM(Large Language Models)の急速な成長は、様々なドメインを変換する原動力となっている。 本稿では,LLMのエンドツーエンドのアルゴリズム開発に不可欠な多面的効率性について検討する。
  論文  参考訳（メタデータ） (2023-12-01T16:00:25Z)
• Multi-fidelity Bayesian Optimization in Engineering Design [3.9160947065896803]
  多重忠実度最適化(MFO)とベイズ最適化(BO) MF BOは高価なエンジニアリング設計最適化の問題を解決するニッチを見つけた。 MF BOの2つの必須成分:GP系MFサロゲートと取得機能
  論文  参考訳（メタデータ） (2023-11-21T23:22:11Z)
• A Survey of Contextual Optimization Methods for Decision Making under Uncertainty [47.73071218563257]
  この記事では、データからポリシーを学ぶための3つの主要なフレームワークを特定し、その強みと限界について論じる。 統一的な表記と用語の下で既存のモデルとメソッドを示し、これらを3つの主要なフレームワークに従って分類する。
  論文  参考訳（メタデータ） (2023-06-17T15:21:02Z)
• A survey on multi-objective hyperparameter optimization algorithms for Machine Learning [62.997667081978825]
  本稿では,多目的HPOアルゴリズムに関する2014年から2020年にかけての文献を体系的に調査する。 メタヒューリスティック・ベース・アルゴリズムとメタモデル・ベース・アルゴリズム,および両者を混合したアプローチを区別する。 また,多目的HPO法と今後の研究方向性を比較するための品質指標についても論じる。
  論文  参考訳（メタデータ） (2021-11-23T10:22:30Z)
• A Field Guide to Federated Optimization [161.3779046812383]
  フェデレートされた学習と分析は、分散化されたデータからモデル(あるいは統計)を協調的に学習するための分散アプローチである。 本稿では、フェデレート最適化アルゴリズムの定式化、設計、評価、分析に関する勧告とガイドラインを提供する。
  論文  参考訳（メタデータ） (2021-07-14T18:09:08Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Investigating Bi-Level Optimization for Learning and Vision from a Unified Perspective: A Survey and Beyond [114.39616146985001]
  機械学習やコンピュータビジョンの分野では、モチベーションやメカニズムが異なるにもかかわらず、複雑な問題の多くは、一連の密接に関連するサブプロトコルを含んでいる。 本稿では,BLO(Bi-Level Optimization)の観点から,これらの複雑な学習と視覚問題を一様に表現する。 次に、値関数に基づく単一レベル再構成を構築し、主流勾配に基づくBLO手法を理解し、定式化するための統一的なアルゴリズムフレームワークを確立する。
  論文  参考訳（メタデータ） (2021-01-27T16:20:23Z)

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。