論文の概要: Pessimistic asynchronous sampling in high-cost Bayesian optimization
- arxiv url: http://arxiv.org/abs/2406.15291v2
- Date: Tue, 22 Oct 2024 17:31:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-23 14:24:37.916053
- Title: Pessimistic asynchronous sampling in high-cost Bayesian optimization
- Title（参考訳）: ハイコストベイズ最適化における悲観的非同期サンプリング
- Authors: Amanda A. Volk, Kristofer G. Reyes, Jeffrey G. Ethier, Luke A. Baldwin,
- Abstract要約: 非同期ベイズ最適化(英: Asynchronous Bayesian optimization)は実験系と解離系の並列動作を可能にする手法である。
悲観的な非同期ポリシーは、等価なシリアルポリシーよりもはるかに少ない実験で最適な実験条件に達した。
この研究で示された悲観的アルゴリズムは、より高速なサンプリングレートを考慮せずに、より効率的なアルゴリズム駆動による高コスト実験空間の最適化をもたらす可能性がある。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Asynchronous Bayesian optimization is a recently implemented technique that allows for parallel operation of experimental systems and disjointed workflows. Contrasting with serial Bayesian optimization which individually selects experiments one at a time after conducting a measurement for each experiment, asynchronous policies sequentially assign multiple experiments before measurements can be taken and evaluate new measurements continuously as they are made available. This technique allows for faster data generation and therefore faster optimization of an experimental space. This work extends the capabilities of asynchronous optimization methods beyond prior studies by evaluating four additional policies that incorporate pessimistic predictions in the training data set. Combined with a conventional policy that uses model predictions, the five total policies were evaluated in a simulated environment and benchmarked with serial sampling. Under some conditions and parameter space dimensionalities, the pessimistic prediction asynchronous policy reached optimum experimental conditions in significantly fewer experiments than equivalent serial policies and proved to be less susceptible to convergence onto local optima at higher dimensions. Without accounting for the faster sampling rate, the pessimistic asynchronous algorithm presented in this work could result in more efficient algorithm driven optimization of high-cost experimental spaces. Accounting for sampling rate, the presented asynchronous algorithm could allow for faster optimization in experimental spaces where multiple experiments can be run before results are collected.
- Abstract（参考訳）: 非同期ベイズ最適化(英: Asynchronous Bayesian optimization)は、実験システムと非結合ワークフローの並列操作を可能にする、最近実装された手法である。
各実験で測定を行った後、個別に実験を1回ずつ選択するシリアルベイズ最適化とは対照的に、非同期ポリシは測定を行う前に連続的に複数の実験を割り当て、新しい測定を利用できるようにし、継続的に評価する。
この技術はデータ生成を高速化し、実験空間の最適化を高速化する。
この研究は、トレーニングデータセットに悲観的な予測を組み込んだ4つの追加ポリシーを評価することで、先行研究を超えて非同期最適化手法の能力を拡張した。
モデル予測を利用する従来のポリシーと組み合わせて、シミュレーション環境で5つの合計ポリシーを評価し、シリアルサンプリングでベンチマークした。
いくつかの条件とパラメータ空間次元の下では、悲観的予測非同期ポリシーは等価なシリアルポリシーよりもはるかに少ない実験で最適実験条件に達し、より高次元の局所最適に収束する可能性が低いことが証明された。
この研究で示された悲観的非同期アルゴリズムは、より高速なサンプリングレートを考慮せずに、より効率的なアルゴリズム駆動による高コスト実験空間の最適化をもたらす可能性がある。
サンプリングレートを考慮すると、提案した非同期アルゴリズムは、結果が収集される前に複数の実験を実行できる実験空間において、より高速な最適化を可能にする。
関連論文リスト
- Bayesian Optimization for Robust State Preparation in Quantum Many-Body Systems [0.0]
我々は最近,超低温原子系で実装された状態準備プロトコルにベイズ最適化を適用した。
手動ランプ設計と比較して,最適化手法の優れた性能を数値シミュレーションで示す。
提案されたプロトコルとワークフローは、実験においてより複雑な多体量子状態の実現に向けた道を開く。
論文 参考訳（メタデータ） (2023-12-14T18:59:55Z) - Search Strategies for Self-driving Laboratories with Pending Experiments [4.416701099409113]
自動運転研究所(SDL)は、材料合成と特性化のタスクを行う複数のステーションから構成されている。
複数の実験を異なる段階で一度に行うという、非同期並列で実験を行うことは現実的である。
マルチステージSDLのためのシミュレータを構築し、遅延フィードバックと非同期並列化操作を扱うための最適化戦略を比較する。
論文 参考訳（メタデータ） (2023-12-06T12:41:53Z) - Choosing a Proxy Metric from Past Experiments [54.338884612982405]
多くのランダム化実験では、長期的な計量の処理効果は測定が困難または不可能であることが多い。
一般的な方法は、いくつかの短期的プロキシメトリクスを計測して、長期的メトリックを綿密に追跡することである。
ランダム化実験の同種集団において最適なプロキシメトリックを定義し構築するための新しい統計フレームワークを導入する。
論文 参考訳（メタデータ） (2023-09-14T17:43:02Z) - Combining Multi-Fidelity Modelling and Asynchronous Batch Bayesian
Optimization [10.29946890434873]
本稿では,マルチ忠実度と非同期バッチ手法を組み合わせたアルゴリズムを提案する。
本研究では,アルゴリズムの動作を実証的に研究し,単一忠実度バッチ法や複数忠実度シーケンシャル法より優れていることを示す。
そこで本研究では,コインセルを用いた実験により,ポーチセルの電極材料を最適性能に設計し,バッテリ性能を近似する手法を提案する。
論文 参考訳（メタデータ） (2022-11-11T12:02:40Z) - New Paradigms for Exploiting Parallel Experiments in Bayesian
Optimization [0.0]
本稿では,システムの構造を利用して設計空間を分割する並列BOパラダイムを提案する。
具体的には,性能関数のレベルセットに従って設計空間を分割する手法を提案する。
以上の結果から,本手法は検索時間を大幅に削減し,グローバルな(ローカルではなく)ソリューションを見つける可能性を高めることが示唆された。
論文 参考訳（メタデータ） (2022-10-03T16:45:23Z) - Fast Bayesian Optimization of Needle-in-a-Haystack Problems using
Zooming Memory-Based Initialization [73.96101108943986]
Needle-in-a-Haystack問題は、データセットのサイズに対して最適な条件が極端に不均衡であるときに発生する。
本稿では,従来のベイズ最適化原理に基づくズームメモリに基づく初期化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-08-26T23:57:41Z) - Fast Variational AutoEncoder with Inverted Multi-Index for Collaborative
Filtering [59.349057602266]
変分オートエンコーダ (VAE) は, 協調フィルタリングの非線形手法として拡張されている。
内積に基づくソフトマックス確率を逆多重インデックスに基づいて分解する。
FastVAEはサンプリング品質と効率の両面で最先端のベースラインを上回っます。
論文 参考訳（メタデータ） (2021-09-13T08:31:59Z) - Local policy search with Bayesian optimization [73.0364959221845]
強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。
局所探索のための政策勾配は、しばしばランダムな摂動から得られる。
目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
論文 参考訳（メタデータ） (2021-06-22T16:07:02Z) - Stochastic Optimization with Laggard Data Pipelines [65.20044914532221]
共通最適化手法の「データ抽出」拡張は同期手法よりも優れた性能を示すことを示す。
具体的には、ミニバッチによる凸最適化において、データエコーは、最適統計率を維持しながら収束率の曲率に支配される部分の高速化をもたらすことを示す。
論文 参考訳（メタデータ） (2020-10-26T14:55:31Z) - Using models to improve optimizers for variational quantum algorithms [1.7475326826331605]
変分量子アルゴリズムは、ノイズの多い中間スケール量子コンピュータの初期応用の第一候補である。
これらのアルゴリズムは、パラメータ化量子回路の機能を最小化する古典的な最適化外ループに依存している。
本稿では,2つの最適化手法を導入し,その性能を今日の一般的な手法と数値的に比較する。
論文 参考訳（メタデータ） (2020-05-22T05:23:23Z) - Incorporating Expert Prior Knowledge into Experimental Design via
Posterior Sampling [58.56638141701966]
実験者は、グローバルな最適な場所に関する知識を得ることができる。
グローバル最適化に関する専門家の事前知識をベイズ最適化に組み込む方法は不明である。
効率の良いベイズ最適化手法は、大域的最適の後方分布の後方サンプリングによって提案されている。
論文 参考訳（メタデータ） (2020-02-26T01:57:36Z)
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。