論文の概要: Pareto Front-Diverse Batch Multi-Objective Bayesian Optimization
- arxiv url: http://arxiv.org/abs/2406.08799v1
- Date: Thu, 13 Jun 2024 04:28:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-14 21:28:25.758756
- Title: Pareto Front-Diverse Batch Multi-Objective Bayesian Optimization
- Title（参考訳）: Pareto Front-Diverse Batch Multi-Objective Bayesian Optimization
- Authors: Alaleh Ahmadianshalchi, Syrine Belakaria, Janardhan Rao Doppa,
- Abstract要約: 高価なブラックボックス関数の多目的最適化(MOO)の問題を考える。
この問題はペニシリンの生産を含む多くの現実世界の応用で発生する。
そこで我々はPareto Front-Diverse Batch Multi-Objective BOと呼ばれる新しいアプローチを提案する。
- 参考スコア（独自算出の注目度）: 26.22315705434334
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider the problem of multi-objective optimization (MOO) of expensive black-box functions with the goal of discovering high-quality and diverse Pareto fronts where we are allowed to evaluate a batch of inputs. This problem arises in many real-world applications including penicillin production where diversity of solutions is critical. We solve this problem in the framework of Bayesian optimization (BO) and propose a novel approach referred to as Pareto front-Diverse Batch Multi-Objective BO (PDBO). PDBO tackles two important challenges: 1) How to automatically select the best acquisition function in each BO iteration, and 2) How to select a diverse batch of inputs by considering multiple objectives. We propose principled solutions to address these two challenges. First, PDBO employs a multi-armed bandit approach to select one acquisition function from a given library. We solve a cheap MOO problem by assigning the selected acquisition function for each expensive objective function to obtain a candidate set of inputs for evaluation. Second, it utilizes Determinantal Point Processes (DPPs) to choose a Pareto-front-diverse batch of inputs for evaluation from the candidate set obtained from the first step. The key parameters for the methods behind these two steps are updated after each round of function evaluations. Experiments on multiple MOO benchmarks demonstrate that PDBO outperforms prior methods in terms of both the quality and diversity of Pareto solutions.
- Abstract（参考訳）: 我々は,高額なブラックボックス関数の多目的最適化(MOO)の問題を考える。
この問題は、ペニシリン生産を含む多くの現実世界の応用において、解の多様性が重要となる。
ベイズ最適化(BO)の枠組みでこの問題を解決し、Pareto Front-Diverse Batch Multi-Objective BO(PDBO)と呼ばれる新しいアプローチを提案する。
PDBOは2つの重要な課題に取り組む。
1)BOイテレーション毎に最適な獲得関数を自動的に選択する方法、および
2)複数の目的を考慮して多様な入力のバッチを選択する方法。
これら2つの課題に対処するための原則的解決策を提案する。
まず、PDBOは、与えられたライブラリから1つの取得関数を選択するために、マルチアームのバンディットアプローチを採用する。
我々は、選択した取得関数を高価な対象関数毎に割り当て、評価のための入力の候補セットを得ることで、安価なMOO問題を解決する。
第2に、決定点プロセス(DPP)を使用して、第1ステップから得られた候補集合から評価するために、パレート前後の入力のバッチを選択する。
これら2つのステップの背後にあるメソッドのキーパラメータは、各関数評価のラウンド後に更新される。
複数のMOOベンチマークの実験では、PDBOはParetoソリューションの品質と多様性の両方において、従来の手法よりも優れていた。
関連論文リスト
- Learning Multiple Initial Solutions to Optimization Problems [52.9380464408756]
厳密なランタイム制約の下で、同様の最適化問題を順次解決することは、多くのアプリケーションにとって不可欠である。
本稿では,問題インスタンスを定義するパラメータが与えられた初期解を多種多様に予測する学習を提案する。
提案手法は,すべての評価設定において有意かつ一貫した改善を実現し,必要な初期解の数に応じて効率よくスケールできることを実証した。
論文 参考訳（メタデータ） (2024-11-04T15:17:19Z) - Training Greedy Policy for Proposal Batch Selection in Expensive Multi-Objective Combinatorial Optimization [52.80408805368928]
本稿では,バッチ取得のための新しいグリーディ型サブセット選択アルゴリズムを提案する。
赤蛍光タンパク質に関する実験により,提案手法は1.69倍少ないクエリでベースライン性能を達成できることが判明した。
論文 参考訳（メタデータ） (2024-06-21T05:57:08Z) - UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [75.11267478778295]
マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。
重みベクトル w でパラメータ化される線型効用関数の場合に焦点を当てる。
学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
論文 参考訳（メタデータ） (2024-05-01T09:34:42Z) - Benchmark for CEC 2024 Competition on Multiparty Multiobjective
Optimization [7.763235307178854]
競争は多人数多目的最適化問題(MPMOP)に焦点を当てている
その重要性にもかかわらず、MPMOPは従来の多目的最適化と比較してまだ検討されていない。
論文 参考訳（メタデータ） (2024-02-03T05:14:03Z) - Data-Efficient Interactive Multi-Objective Optimization Using ParEGO [6.042269506496206]
多目的最適化は、競合する目的間の最適なトレードオフを提供する非支配的なソリューションの集合を特定することを目的としている。
実践的な応用では、意思決定者(DM)は実装すべき好みに合わせて単一のソリューションを選択する。
そこで本稿では,パレートフロントの最も好まれる領域を,高コストで評価できる2つの新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-01-12T15:55:51Z) - Multi-Objective Bayesian Optimization with Active Preference Learning [18.066263838953223]
本稿では,多目的最適化 (MOO) 問題において最も望ましい解を特定するためのベイズ最適化 (BO) 手法を提案する。
また、意思決定者(DM)との相互作用コストを最小限に抑えるため、選好推定のためのアクティブラーニング戦略を提案する。
論文 参考訳（メタデータ） (2023-11-22T15:24:36Z) - Multi-Objective GFlowNets [59.16787189214784]
本稿では,多目的最適化の文脈において,多様な候補を生成する問題について検討する。
薬物発見やマテリアルデザインといった機械学習の多くの応用において、目標は、競合する可能性のある目標のセットを同時に最適化する候補を生成することである。
GFlowNetsをベースとした多目的GFlowNets(MOGFNs)を提案する。
論文 参考訳（メタデータ） (2022-10-23T16:15:36Z) - A Parallel Technique for Multi-objective Bayesian Global Optimization:
Using a Batch Selection of Probability of Improvement [2.1055643409860743]
本稿では,複数の点をバッチで比較した5種類のemphProbability of Improvement (PoI)を提案する。
様々なベンチマークに関する2つの実験を行い、2つのgreedy q-PoIの有効性を実証した。
論文 参考訳（メタデータ） (2022-08-07T09:28:44Z) - Dynamic Multi-objective Ensemble of Acquisition Functions in Batch
Bayesian Optimization [1.1602089225841632]
獲得関数は最適化プロセスにおいて重要な役割を果たす。
3つの取得関数は、その現在のパフォーマンスと過去のパフォーマンスに基づいて、セットから動的に選択される。
進化的多目的アルゴリズムを用いて、そのようなMOPを最適化し、非支配的な解の集合を得ることができる。
論文 参考訳（メタデータ） (2022-06-22T14:09:18Z) - Stepwise Model Selection for Sequence Prediction via Deep Kernel
Learning [100.83444258562263]
本稿では,モデル選択の課題を解決するために,新しいベイズ最適化(BO)アルゴリズムを提案する。
結果として得られる複数のブラックボックス関数の最適化問題を協調的かつ効率的に解くために,ブラックボックス関数間の潜在的な相関を利用する。
我々は、シーケンス予測のための段階的モデル選択(SMS)の問題を初めて定式化し、この目的のために効率的な共同学習アルゴリズムを設計し、実証する。
論文 参考訳（メタデータ） (2020-01-12T09:42:19Z) - Pareto Multi-Task Learning [53.90732663046125]
マルチタスク学習は複数の相関タスクを同時に解くための強力な方法である。
異なるタスクが互いに衝突する可能性があるため、すべてのタスクを最適化するひとつのソリューションを見つけることは、しばしば不可能である。
近年,マルチタスク学習を多目的最適化として活用することにより,タスク間のトレードオフが良好である1つのパレート最適解を求める方法が提案されている。
論文 参考訳（メタデータ） (2019-12-30T08:58:40Z)
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。