論文の概要: Collaborative and Federated Black-box Optimization: A Bayesian Optimization Perspective

• arxiv url: http://arxiv.org/abs/2411.07523v1
• Date: Tue, 12 Nov 2024 03:47:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-13 13:18:41.402007
• Title: Collaborative and Federated Black-box Optimization: A Bayesian Optimization Perspective
• Title（参考訳）: 協調的かつフェデレートされたブラックボックス最適化:ベイズ最適化の視点から
• Authors: Raed Al Kontar,
• Abstract要約: 我々は協調的かつ連合的なブラックボックス最適化(BBOpt)に焦点を当てている。 i) 実験を集中的に調整するグローバルフレームワーク,(ii) エージェントが最小限の共有情報に基づいて意思決定できるローカルフレームワーク,(iii) 協力を通じてローカルサロゲートを強化し意思決定を改善する予測フレームワーク,の3つを提案する。
• 参考スコア（独自算出の注目度）: 2.8010955192967857
• License:
• Abstract: We focus on collaborative and federated black-box optimization (BBOpt), where agents optimize their heterogeneous black-box functions through collaborative sequential experimentation. From a Bayesian optimization perspective, we address the fundamental challenges of distributed experimentation, heterogeneity, and privacy within BBOpt, and propose three unifying frameworks to tackle these issues: (i) a global framework where experiments are centrally coordinated, (ii) a local framework that allows agents to make decisions based on minimal shared information, and (iii) a predictive framework that enhances local surrogates through collaboration to improve decision-making. We categorize existing methods within these frameworks and highlight key open questions to unlock the full potential of federated BBOpt. Our overarching goal is to shift federated learning from its predominantly descriptive/predictive paradigm to a prescriptive one, particularly in the context of BBOpt - an inherently sequential decision-making problem.
• Abstract（参考訳）: 我々は、協調的かつ連合的なブラックボックス最適化(BBOpt)に焦点を当て、エージェントは協調的な逐次実験を通じて異種ブラックボックス機能を最適化する。 ベイズ最適化の観点から、BBOpt内の分散実験、異種性、プライバシの基本的な課題に対処し、これらの問題に対処するための3つの統一フレームワークを提案する。 一 実験を中心的に調整するグローバルな枠組み (ii)最小限の共有情報に基づく意思決定を可能にするローカルフレームワーク、及び 三 意思決定を改善するため、協力を通じて局所的な代理を強化する予測フレームワーク。 これらのフレームワーク内の既存のメソッドを分類し、フェデレートされたBBOptの可能性を解き放つための重要なオープンな質問をハイライトする。 私たちの包括的な目標は、主に記述的/予測的なパラダイムから、特にBBOptのコンテキストにおいて、本質的にシーケンシャルな意思決定問題に移行することです。

関連論文リスト

• Building Trust in Black-box Optimization: A Comprehensive Framework for Explainability [1.3812010983144802]
  代理最適化(SO)は共通の解決法であるが、その独自性は説明可能性と透明性の欠如につながっている。 EmphInclusive Explainability Metrics for Surrogate Optimization (IEMSO)を提案する。 これらのメトリクスは、SOアプローチの透明性、信頼性、説明可能性を高める。
  論文  参考訳（メタデータ） (2024-10-18T16:20:17Z)
• Unlocking the Capabilities of Thought: A Reasoning Boundary Framework to Quantify and Optimize Chain-of-Thought [61.588465852846646]
  大型言語モデル(LLM)の性能向上のための有望なアプローチとして、Chain-of-Thought(CoT)推論が登場した。 本稿では,これらの課題に対処するための新しい推論境界フレームワーク(RBF)を提案する。
  論文  参考訳（メタデータ） (2024-10-08T05:26:28Z)
• Pareto Set Prediction Assisted Bilevel Multi-objective Optimization [2.3293561091456283]
  両レベルにおいて複数目的(BLMOP)の問題に対処する。 提案されたアプローチは、欺くことと非欺くことの両方を含む、さまざまな問題で競合する。
  論文  参考訳（メタデータ） (2024-09-05T08:04:11Z)
• A General Framework for User-Guided Bayesian Optimization [51.96352579696041]
  コラボ (ColaBO) は、典型的なカーネル構造を超越した事前信念のための最初のベイズ原理の枠組みである。 我々は,ColaBOの事前情報が正確である場合に最適化を著しく高速化し,ミスリード時のほぼ既定性能を維持する能力を実証的に実証した。
  論文  参考訳（メタデータ） (2023-11-24T18:27:26Z)
• Constrained Bayesian Optimization with Adaptive Active Learning of Unknown Constraints [10.705151736050967]
  制約下での目的の最適化は、科学実験設計、医療療法の設計、産業プロセス最適化といった現実世界の応用において一般的なシナリオである。 一般のROIを決定するために,各側面から特定されたROIと交差する効率的なCBOフレームワークを提案する。 本稿では,実証的な証拠を通じて提案したCBOフレームワークの効率性とロバスト性を実証し,CBOアルゴリズムの実践的後悔境界を導出する根本的な課題について論じる。
  論文  参考訳（メタデータ） (2023-10-12T22:32:00Z)
• Collaborative and Distributed Bayesian Optimization via Consensus: Showcasing the Power of Collaboration for Optimal Design [7.066023612489374]
  ベイズ最適化のための新しい協調パラダイムを提案する。 私たちのアプローチは、さまざまなコラボレーションメカニズムを組み込むことのできる、汎用的で柔軟なフレームワークを提供します。 我々のフレームワークは、最適な設計プロセスを効果的に加速し、改善し、すべての参加者に利益をもたらすことを示しています。
  論文  参考訳（メタデータ） (2023-06-25T21:43:05Z)
• A Unified Algorithm Framework for Unsupervised Discovery of Skills based on Determinantal Point Process [53.86223883060367]
  教師なしオプション発見における多様性とカバレッジは、実際には同じ数学的枠組みの下で統一可能であることを示す。 提案アルゴリズムであるODPPは,MujocoとAtariで作成した課題に対して,広範囲に評価されている。
  論文  参考訳（メタデータ） (2022-12-01T01:40:03Z)
• Accelerated Federated Learning with Decoupled Adaptive Optimization [53.230515878096426]
  フェデレートドラーニング(FL)フレームワークは、クライアント上のトレーニングデータのプライバシを維持しながら、共有モデルを協調的に学習することを可能にする。 近年,SGDM,Adam,AdaGradなどの集中型適応最適化手法をフェデレートした設定に一般化するためのイテレーションが多数実施されている。 本研究は、常微分方程式(ODE)のダイナミクスの観点から、FLの新しい適応最適化手法を開発することを目的としている。
  論文  参考訳（メタデータ） (2022-07-14T22:46:43Z)
• Investigating Bi-Level Optimization for Learning and Vision from a Unified Perspective: A Survey and Beyond [114.39616146985001]
  機械学習やコンピュータビジョンの分野では、モチベーションやメカニズムが異なるにもかかわらず、複雑な問題の多くは、一連の密接に関連するサブプロトコルを含んでいる。 本稿では,BLO(Bi-Level Optimization)の観点から,これらの複雑な学習と視覚問題を一様に表現する。 次に、値関数に基づく単一レベル再構成を構築し、主流勾配に基づくBLO手法を理解し、定式化するための統一的なアルゴリズムフレームワークを確立する。
  論文  参考訳（メタデータ） (2021-01-27T16:20:23Z)
• Collaborative Video Object Segmentation by Multi-Scale Foreground-Background Integration [77.71512243438329]
  本稿では,フォアグラウンド・バックグラウンド統合(CFBI)による協調的ビデオオブジェクトセグメンテーションを提案する。 CFBIは、前景のオブジェクト領域とその対応する背景領域に埋め込まれた特徴を分離し、暗黙的にそれらをよりコントラストにし、それに応じてセグメンテーション結果を改善する。 CFBIをベースとして,マルチスケールのマッチング構造を導入し,より堅牢で効率的なフレームワークであるCFBI+を実現するAtrous Matching戦略を提案する。
  論文  参考訳（メタデータ） (2020-10-13T13:06:10Z)
• Upper Trust Bound Feasibility Criterion for Mixed Constrained Bayesian Optimization with Application to Aircraft Design [41.74498230885008]
  我々は、より正確に混合された制約問題を解決するために、いわゆる超効率的なグローバル最適化アルゴリズムを適用する。 本研究は, 数値実験におけるアプローチの可能性を示すものである。
  論文  参考訳（メタデータ） (2020-05-11T12:59:09Z)

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。