論文の概要: Optimistic Games for Combinatorial Bayesian Optimization with Application to Protein Design
- arxiv url: http://arxiv.org/abs/2409.18582v1
- Date: Fri, 27 Sep 2024 09:37:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-01 21:55:30.139692
- Title: Optimistic Games for Combinatorial Bayesian Optimization with Application to Protein Design
- Title（参考訳）: 結合ベイズ最適化のための最適化ゲームとタンパク質設計への応用
- Authors: Melis Ilayda Bal, Pier Giuseppe Sessa, Mojmir Mutny, Andreas Krause,
- Abstract要約: ベイズ最適化は、シーケンシャルな相互作用を通じてブラックボックスから高価な関数を評価するための強力なフレームワークである。
既存のBOアルゴリズムは、大きな空間上の非構造的獲得関数のために実現不可能である。
我々はBOに対する新しいゲームベースのアプローチである$textbfGameOpt$を提案する。
- 参考スコア（独自算出の注目度）: 46.46223775228999
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bayesian optimization (BO) is a powerful framework to optimize black-box expensive-to-evaluate functions via sequential interactions. In several important problems (e.g. drug discovery, circuit design, neural architecture search, etc.), though, such functions are defined over large $\textit{combinatorial and unstructured}$ spaces. This makes existing BO algorithms not feasible due to the intractable maximization of the acquisition function over these domains. To address this issue, we propose $\textbf{GameOpt}$, a novel game-theoretical approach to combinatorial BO. $\textbf{GameOpt}$ establishes a cooperative game between the different optimization variables, and selects points that are game $\textit{equilibria}$ of an upper confidence bound acquisition function. These are stable configurations from which no variable has an incentive to deviate$-$ analog to local optima in continuous domains. Crucially, this allows us to efficiently break down the complexity of the combinatorial domain into individual decision sets, making $\textbf{GameOpt}$ scalable to large combinatorial spaces. We demonstrate the application of $\textbf{GameOpt}$ to the challenging $\textit{protein design}$ problem and validate its performance on four real-world protein datasets. Each protein can take up to $20^{X}$ possible configurations, where $X$ is the length of a protein, making standard BO methods infeasible. Instead, our approach iteratively selects informative protein configurations and very quickly discovers highly active protein variants compared to other baselines.
- Abstract（参考訳）: ベイズ最適化(BO)は、シーケンシャルな相互作用を通じてブラックボックスから高価な関数を評価するための強力なフレームワークである。
しかし、いくつかの重要な問題(例えば、創薬、回路設計、神経アーキテクチャ探索など)では、そのような関数は大きな$\textit{combinatorial and unstructured}$ space上で定義される。
これにより、既存のBOアルゴリズムは、これらの領域に対する獲得関数の難解な最大化のために実現不可能となる。
この問題に対処するために、組合せBOに対する新しいゲーム理論アプローチである$\textbf{GameOpt}$を提案する。
$\textbf{GameOpt}$は、異なる最適化変数間の協調ゲームを確立し、上位信頼境界取得関数のゲーム $\textit{equilibria}$を選択する。
これらは安定な構成であり、連続領域における局所最適値の$-$アナログを逸脱させるような変数は存在しない。
重要なことに、これは組合せ領域の複雑さを個々の決定集合に効率的に分解することができ、$\textbf{GameOpt}$を大きな組合せ空間に拡張することができる。
我々は、$\textbf{GameOpt}$を挑戦的な$\textit{oprotein design}$問題に適用し、実世界の4つのタンパク質データセットでその性能を検証する。
それぞれのタンパク質は最大で20^{X}$の設定を取ることができ、そこでは$X$はタンパク質の長さであり、標準的なBOメソッドは実現不可能である。
代わりに、我々のアプローチは情報的タンパク質構成を反復的に選択し、他のベースラインと比較して非常に活発なタンパク質変異を発見します。
関連論文リスト
- Memory-Efficient Gradient Unrolling for Large-Scale Bi-level Optimization [71.35604981129838]
従来の勾配に基づく二段階最適化アルゴリズムは、大規模アプリケーションの要求を満たすには不適である。
両レベル最適化のためのメタ勾配の偏りのない近似を実現するための$(textFG)2textU$を導入する。
$(textFG)2textU$は本質的に並列コンピューティングをサポートするように設計されており、大規模分散コンピューティングシステムを効果的に活用することができる。
論文 参考訳（メタデータ） (2024-06-20T08:21:52Z) - Analysis of Evolutionary Diversity Optimisation for the Maximum Matching Problem [10.506038775815094]
我々は、小さなギャップの場合、$(mu+1)$EAが$O(mu2 m4 log(m))$の期待ランタイムで最大多様性を達成することを示す。
2P-EA_D$はより強力なパフォーマンスを示し、小さなギャップケースは$O(mu2 n2 log(m))$、パスは$O(mu3 m3)$である。
論文 参考訳（メタデータ） (2024-04-17T22:20:02Z) - Targeted Variance Reduction: Robust Bayesian Optimization of Black-Box
Simulators with Noise Parameters [1.7404865362620803]
本稿では,TVR(Targeted Variance Reduction)と呼ばれるベイズ最適化手法を提案する。
TVR は $(mathbfx,boldsymboltheta)$ 以上の新しい共同獲得関数を利用しており、これは所望の改善領域内の目的に対する分散還元を目標としている。
自動車用ブレーキディスクの高剛性設計への一組の数値実験において,TVRの性能向上を実証した。
論文 参考訳（メタデータ） (2024-03-06T16:03:37Z) - Combinatorial Stochastic-Greedy Bandit [79.1700188160944]
我々は,選択した$n$のアームセットのジョイント報酬以外の余分な情報が観測されない場合に,マルチアームのバンディット問題に対する新規グリーディ・バンディット(SGB)アルゴリズムを提案する。
SGBは最適化された拡張型コミットアプローチを採用しており、ベースアームの大きなセットを持つシナリオ用に特別に設計されている。
論文 参考訳（メタデータ） (2023-12-13T11:08:25Z) - Mind the gap: Achieving a super-Grover quantum speedup by jumping to the
end [114.3957763744719]
本稿では,数種類のバイナリ最適化問題に対して,厳密な実行保証を有する量子アルゴリズムを提案する。
このアルゴリズムは、$n$非依存定数$c$に対して、時間で$O*(2(0.5-c)n)$の最適解を求める。
また、$k$-spinモデルからのランダムなインスタンスの多数と、完全に満足あるいはわずかにフラストレーションされた$k$-CSP式に対して、文 (a) がそうであることを示す。
論文 参考訳（メタデータ） (2022-12-03T02:45:23Z) - Projection-Free Algorithm for Stochastic Bi-level Optimization [17.759493152879013]
本研究は、目的関数が他の最適化問題に依存する二段階最適化問題を解く最初のプロジェクションフリーアルゴリズムを示す。
提案されている$textbfStochastic $textbfF$rank-$textbfW$olfe ($textbfSCFW$)は、凸目的に対して$mathcalO(epsilon-2)$のサンプル複雑性を実現するために示されている。
論文 参考訳（メタデータ） (2021-10-22T11:49:15Z) - Bayesian Optimistic Optimisation with Exponentially Decaying Regret [58.02542541410322]
現在の実用的なBOアルゴリズムは、$mathcalO(fraclogNsqrtN)$から$mathcalO(e-sqrtN)$まで、$N$は評価の数である。
本稿では,boと木に基づく楽観的楽観化の概念を絡み合うことにより,無音環境における後悔を改善できる可能性について検討する。
次数$mathcal O(N-sqrt)で指数的再帰を達成できる最初の実践的手法であるBOOアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-05-10T13:07:44Z) - Combinatorial Bayesian Optimization with Random Mapping Functions to
Convex Polytopes [43.19936635161588]
大規模空間でうまく動作するような空間におけるベイズ最適化法を提案する。
提案アルゴリズムは,既存手法と比較して良好な性能を示す。
論文 参考訳（メタデータ） (2020-11-26T02:22:41Z) - Near-Optimal Reinforcement Learning with Self-Play [50.29853537456737]
我々は,直接の監督なしに自己対決で最適な政策を学習するセルフプレイアルゴリズムに焦点をあてる。
本稿では,サンプル複雑性を$tildemathcalO(SAB)$,サンプル複雑性を$tildemathcalO(S(A+B)$とする新しいemphNash Vラーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-22T05:00:13Z)
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。