論文の概要: Preferential Multi-Objective Bayesian Optimization

• arxiv url: http://arxiv.org/abs/2406.14699v1
• Date: Thu, 20 Jun 2024 19:44:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-24 17:49:36.181176
• Title: Preferential Multi-Objective Bayesian Optimization
• Title（参考訳）: 優先的多目的ベイズ最適化
• Authors: Raul Astudillo, Kejun Li, Maegan Tucker, Chu Xin Cheng, Aaron D. Ames, Yisong Yue,
• Abstract要約: 本稿では,本アルゴリズムの一般化であるスカラー化トンプソンサンプリング(DSTS)について述べる。 DSTSを4つの合成試験関数と2つの模擬外骨格のパーソナライゼーションおよび駆動ポリシー設計タスクで評価した。 直接的な結果として、この結果は私たちの知る限り、PBO設定におけるデュエルトンプソンサンプリングに対する最初の収束保証を提供する。
• 参考スコア（独自算出の注目度）: 46.265078006749576
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Preferential Bayesian optimization (PBO) is a framework for optimizing a decision-maker's latent preferences over available design choices. While preferences often involve multiple conflicting objectives, existing work in PBO assumes that preferences can be encoded by a single objective function. For example, in robotic assistive devices, technicians often attempt to maximize user comfort while simultaneously minimizing mechanical energy consumption for longer battery life. Similarly, in autonomous driving policy design, decision-makers wish to understand the trade-offs between multiple safety and performance attributes before committing to a policy. To address this gap, we propose the first framework for PBO with multiple objectives. Within this framework, we present dueling scalarized Thompson sampling (DSTS), a multi-objective generalization of the popular dueling Thompson algorithm, which may be of interest beyond the PBO setting. We evaluate DSTS across four synthetic test functions and two simulated exoskeleton personalization and driving policy design tasks, showing that it outperforms several benchmarks. Finally, we prove that DSTS is asymptotically consistent. As a direct consequence, this result provides, to our knowledge, the first convergence guarantee for dueling Thompson sampling in the PBO setting.
• Abstract（参考訳）: 優先順位ベイズ最適化(英: Preferential Bayesian Optimization、PBO)は、意思決定者による、利用可能な設計選択よりも遅れた好みを最適化するためのフレームワークである。 選好はしばしば複数の矛盾する目的を含むが、PBOの既存の研究は、選好は単一の目的関数によって符号化できると仮定している。 例えば、ロボット補助装置では、技術者はしばしば、長いバッテリー寿命のために機械的エネルギー消費を最小化しながら、ユーザーの快適さを最大化しようと試みる。 同様に、自律運転政策設計においては、意思決定者はポリシーにコミットする前に、複数の安全属性とパフォーマンス属性の間のトレードオフを理解したいと考えている。 このギャップに対処するため、我々は複数の目的を持つPBOのための最初のフレームワークを提案する。 このフレームワーク内では、人気のあるデュエルトンプソンアルゴリズムの多目的一般化であるスカラー化トンプソンサンプリング(DSTS)を提示する。 我々は,4つの合成試験関数と2つの模擬外骨格のパーソナライゼーション,およびポリシー設計タスクに対するDSTSの評価を行い,いくつかのベンチマークを上回る結果を得た。 最後に、DSTSが漸近的に一貫性があることを証明する。 直接的な結果として、この結果は私たちの知る限り、PBO設定におけるデュエルトンプソンサンプリングに対する最初の収束保証を提供する。

関連論文リスト

• Benchmarking PtO and PnO Methods in the Predictive Combinatorial Optimization Regime [59.27851754647913]
  予測最適化(英: Predictive optimization)は、エネルギーコストを意識したスケジューリングや広告予算配分など、多くの現実世界のアプリケーションの正確なモデリングである。 我々は,広告のための新しい産業データセットを含む8つの問題に対して,既存のPtO/PnOメソッド11をベンチマークするモジュラーフレームワークを開発した。 本研究は,8ベンチマーク中7ベンチマークにおいて,PnOアプローチがPtOよりも優れていることを示すが,PnOの設計選択に銀の弾丸は見つからない。
  論文  参考訳（メタデータ） (2023-11-13T13:19:34Z)
• Optimal Cost-Preference Trade-off Planning with Multiple Temporal Tasks [3.655021726150368]
  個別のタスクやその関係性よりも好みを表現できる汎用的な枠組みを提供する新しい選好概念を導入する。 我々は,ユーザの好みに従属する行動と,リソース最適である行動の最適トレードオフ(Pareto)分析を行う。
  論文  参考訳（メタデータ） (2023-06-22T21:56:49Z)
• BOtied: Multi-objective Bayesian optimization with tied multivariate ranks [33.414682601242006]
  本稿では,非支配解と結合累積分布関数の極端量子化との自然な関係を示す。 このリンクにより、我々はPareto対応CDFインジケータと関連する取得関数BOtiedを提案する。 種々の合成および実世界の問題に対する実験により,BOtied は最先端MOBO 取得関数より優れていることが示された。
  論文  参考訳（メタデータ） (2023-06-01T04:50:06Z)
• Opportunistic Qualitative Planning in Stochastic Systems with Incomplete Preferences over Reachability Objectives [24.11353445650682]
  優先順位は、すべての制約が同時に満たされない場合に、どの目標/制約を満たすかを決定する上で重要な役割を果たします。 本稿では,SPIおよびSASI戦略を合成し,複数の逐次改善を実現するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-10-04T19:53:08Z)
• Probabilistic Planning with Partially Ordered Preferences over Temporal Goals [22.77805882908817]
  マルコフ決定過程(MDP)における計画計画について,時間的拡張目標よりも優先的に検討した。 本稿では、時間的に拡張された目標に対するユーザの好みを特定するために、決定論的有限オートマトンの一種である選好DFAを導入する。 構築された多目的MDPにおいて、選好仕様を前提とした弱確率的非支配ポリシーが最適であることを示す。
  論文  参考訳（メタデータ） (2022-09-25T17:13:24Z)
• Surrogate modeling for Bayesian optimization beyond a single Gaussian process [62.294228304646516]
  本稿では,探索空間の活用と探索のバランスをとるための新しいベイズ代理モデルを提案する。 拡張性のある関数サンプリングを実現するため、GPモデル毎にランダムな特徴ベースのカーネル近似を利用する。 提案した EGP-TS を大域的最適に収束させるため,ベイズ的後悔の概念に基づいて解析を行う。
  論文  参考訳（メタデータ） (2022-05-27T16:43:10Z)
• 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 over Permutation Spaces [30.650753803587794]
  BOPS (Permutation Spaces) に対する2つのアルゴリズムの提案と評価を行った。 BOPS-Tの性能を理論的に解析し,その後悔がサブリニアに増加することを示す。 複数の合成および実世界のベンチマーク実験により、BOPS-TとBOPS-Hは、空間に対する最先端のBOアルゴリズムよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-12-02T08:20:50Z)
• Bayesian decision-making under misspecified priors with applications to meta-learning [64.38020203019013]
  トンプソンサンプリングやその他のシーケンシャルな意思決定アルゴリズムは、文脈的包帯における探索と探索のトレードオフに取り組むための一般的なアプローチである。 性能は不特定な事前条件で優雅に低下することを示す。
  論文  参考訳（メタデータ） (2021-07-03T23:17:26Z)
• 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)

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。