論文の概要: SANE: Strategic Autonomous Non-Smooth Exploration for Multiple Optima Discovery in Multi-modal and Non-differentiable Black-box Functions
- arxiv url: http://arxiv.org/abs/2409.12295v1
- Date: Wed, 18 Sep 2024 20:04:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 15:26:10.285257
- Title: SANE: Strategic Autonomous Non-Smooth Exploration for Multiple Optima Discovery in Multi-modal and Non-differentiable Black-box Functions
- Title（参考訳）: SANE:マルチモーダルおよび非微分可能なブラックボックス関数における多重最適探索のための戦略的自律的非平滑探索
- Authors: Arpan Biswas, Rama Vasudevan, Rohit Pant, Ichiro Takeuchi, Hiroshi Funakubo, Yongtao Liu,
- Abstract要約: 我々は、インテリジェントベイズ最適化ナビゲーションを容易にするために、戦略的自律非平滑探索(SANE)を開発した。
SANEは、一つの最適な場所に閉じ込められる傾向を避ける。
複数の最適領域の探索を容易にするため,従来のBOよりも優れた性能を示す。
- 参考スコア（独自算出の注目度）: 12.483622440363146
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Both computational and experimental material discovery bring forth the challenge of exploring multidimensional and multimodal parameter spaces, such as phase diagrams of Hamiltonians with multiple interactions, composition spaces of combinatorial libraries, material structure image spaces, and molecular embedding spaces. Often these systems are black-box and time-consuming to evaluate, which resulted in strong interest towards active learning methods such as Bayesian optimization (BO). However, these systems are often noisy which make the black box function severely multi-modal and non-differentiable, where a vanilla BO can get overly focused near a single or faux optimum, deviating from the broader goal of scientific discovery. To address these limitations, here we developed Strategic Autonomous Non-Smooth Exploration (SANE) to facilitate an intelligent Bayesian optimized navigation with a proposed cost-driven probabilistic acquisition function to find multiple global and local optimal regions, avoiding the tendency to becoming trapped in a single optimum. To distinguish between a true and false optimal region due to noisy experimental measurements, a human (domain) knowledge driven dynamic surrogate gate is integrated with SANE. We implemented the gate-SANE into a pre-acquired Piezoresponse spectroscopy data of a ferroelectric combinatorial library with high noise levels in specific regions, and a piezoresponse force microscopy (PFM) hyperspectral data. SANE demonstrated better performance than classical BO to facilitate the exploration of multiple optimal regions and thereby prioritized learning with higher coverage of scientific values in autonomous experiments. Our work showcases the potential application of this method to real-world experiment, where such combined strategic and human intervening approaches can be critical to unlocking new discoveries in autonomous research.
- Abstract（参考訳）: 計算と実験の両方の材料発見は、複数の相互作用を持つハミルトニアンの位相図、組合せライブラリの合成空間、物質構造イメージ空間、分子埋め込み空間などの多次元および多モードパラメータ空間の探索という課題をもたらす。
これらのシステムは、しばしばブラックボックスであり、評価するのに時間がかかるため、ベイズ最適化(BO)のようなアクティブな学習方法への強い関心がもたらされた。
しかしながら、これらのシステムは、ブラックボックスの機能を極端にマルチモーダルかつ非微分可能とし、バニラBOは科学的発見のより広い目標から逸脱して、単一または偽の最適点付近で過度に焦点を合わせることができる。
これらの制約に対処するため,我々は,複数のグローバルかつ局所的な最適領域を見つけるために,コスト駆動型確率的取得機能を備えたインテリジェントベイズ最適化ナビゲーションを容易にするために,戦略的自律非平滑探索(SANE)を開発した。
ノイズのある実験測定による真と偽の最適領域を区別するために、人間(ドメイン)知識駆動の動的代理ゲートをSANEに統合する。
我々はゲート-SANEを特定の領域で高いノイズレベルを持つ強誘電体複合ライブラリーの事前取得したピエゾレスポンス分光データと、ピエゾレスポンス力顕微鏡(PFM)ハイパースペクトルデータに実装した。
SANEは従来のBOよりも優れた性能を示し、複数の最適領域の探索を容易にし、自律的な実験において科学的価値をより高い範囲で学習を優先した。
我々の研究は、この手法の現実世界での応用の可能性を示しており、このような戦略的アプローチと人間の介入的アプローチの組み合わせは、自律的な研究における新たな発見を解き放つ上で重要である。
関連論文リスト
- Towards accelerating physical discovery via non-interactive and
interactive multi-fidelity Bayesian Optimization: Current challenges and
future opportunities [0.2445561610325265]
そこで我々は,従来の(データ駆動型)MFBOから始まり,構造化された(物理駆動型)sMFBOに始まり,適応的かつドメインの専門家による探索のためのループ型インタラクティブiMFBOを実現するためのインタラクティブなビルディングを探索する。
詳細な分析と比較は、探索の改善のための物理知識注入とオンザフライでの人間の決定の影響、現在の課題、そしてデータ、物理、およびリアルタイムの人間の決定を組み合わせたアルゴリズム開発の可能性を示している。
論文 参考訳（メタデータ） (2024-02-20T22:12:33Z) - SEAL: Simultaneous Exploration and Localization in Multi-Robot Systems [0.0]
本稿では,新しい同時探索と局所化手法を提案する。
相対的なローカライゼーションのために通信グラフ最適化を行いながら、最大探索に情報融合を用いる。
広範囲なROS-Gazeboシミュレーションにおける探索および位置決め性能のショートエッジ法より優れたSEAL
論文 参考訳（メタデータ） (2023-06-22T01:27:55Z) - Optimistic Active Exploration of Dynamical Systems [52.91573056896633]
我々はOPAXと呼ばれる活発な探索のためのアルゴリズムを開発した。
我々は,OPAXを各エピソードで解決可能な最適制御問題に還元する方法を示す。
実験の結果,OPAXは理論的に健全であるだけでなく,新規な下流タスクのゼロショット計画にも有効であることがわかった。
論文 参考訳（メタデータ） (2023-06-21T16:26:59Z) - Maximize to Explore: One Objective Function Fusing Estimation, Planning,
and Exploration [87.53543137162488]
我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。
textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。
様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
論文 参考訳（メタデータ） (2023-05-29T17:25:26Z) - A dynamic Bayesian optimized active recommender system for
curiosity-driven Human-in-the-loop automated experiments [8.780395483188242]
ベイズ最適化アクティブレコメンデーションシステム(BOARS)によるループ実験ワークフローにおける新しいタイプの人間の開発について述べる。
この研究は、実験領域にわたるシステムの好奇心駆動的な探索に、人間の強化された機械学習アプローチの有用性を示す。
論文 参考訳（メタデータ） (2023-04-05T14:54:34Z) - On the Effectiveness of Mode Exploration in Bayesian Model Averaging for
Neural Networks [1.3960152426268768]
重み空間の局所領域を,ブライアスコア,精度,キャリブレーション誤差に対して探索するいくつかの簡単な手法について検討した。
個別モードの追加は性能を均一に向上させるが、ここで考慮した単純なモード探索法は、モード探索なしでのアンサンブルよりもほとんど、あるいは全く改善しないことを示す。
論文 参考訳（メタデータ） (2021-12-07T15:39:37Z) - Shared Space Transfer Learning for analyzing multi-site fMRI data [83.41324371491774]
マルチボクセルパターン解析(MVPA)は、タスクベース機能磁気共鳴画像(fMRI)データから予測モデルを学習する。
MVPAはよく設計された機能セットと十分なサンプルサイズで機能する。
ほとんどのfMRIデータセットはノイズが多く、高次元で、収集するのに高価で、サンプルサイズも小さい。
本稿では,新しい伝達学習手法として共有空間移動学習(SSTL)を提案する。
論文 参考訳（メタデータ） (2020-10-24T08:50:26Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z) - Localized active learning of Gaussian process state space models [63.97366815968177]
多くの共通制御アプリケーションにおいて、優れた性能を達成するためには、グローバルに正確なモデルを必要としない。
本稿では,状態-作用空間の有界部分集合上の正確なモデルを得ることを目的としたガウス過程状態空間モデルに対する能動的学習戦略を提案する。
モデル予測制御を用いることで、探索中に収集した情報を統合し、探索戦略を適応的に改善する。
論文 参考訳（メタデータ） (2020-05-04T05:35:02Z) - Supervised Hyperalignment for multi-subject fMRI data alignment [81.8694682249097]
本稿では,MVP解析における機能的アライメントを改善するために,SHA(Supervised Hyperalignment)手法を提案する。
マルチオブジェクトデータセットの実験では、SHA法は最大19%の性能がマルチクラス問題に対して達成されている。
論文 参考訳（メタデータ） (2020-01-09T09:17:49Z) - Dynamic Subgoal-based Exploration via Bayesian Optimization [7.297146495243708]
スパース・リワードナビゲーション環境における強化学習は困難であり、効果的な探索の必要性を生じさせる。
本稿では,動的サブゴールに基づく探索手法のクラスを効率的に探索する,費用対効果を考慮したベイズ最適化手法を提案する。
実験により、新しいアプローチは、多くの問題領域で既存のベースラインを上回っていることが示された。
論文 参考訳（メタデータ） (2019-10-21T04:24:29Z)
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。