論文の概要: Non-Myopic Multi-Objective Bayesian Optimization

• arxiv url: http://arxiv.org/abs/2412.08085v1
• Date: Wed, 11 Dec 2024 04:05:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-12 14:03:43.859741
• Title: Non-Myopic Multi-Objective Bayesian Optimization
• Title（参考訳）: 非線形多目的ベイズ最適化
• Authors: Syrine Belakaria, Alaleh Ahmadianshalchi, Barbara Engelhardt, Stefano Ermon, Janardhan Rao Doppa,
• Abstract要約: 多目的最適化問題を解くために、有限水平逐次実験設計の問題を考察する。 この問題は、材料設計を含む多くの現実世界の応用で発生する。 我々はMOO問題に対する最初の非ミオピック手法を提案する。
• 参考スコア（独自算出の注目度）: 64.31753000439514
• License:
• Abstract: We consider the problem of finite-horizon sequential experimental design to solve multi-objective optimization (MOO) of expensive black-box objective functions. This problem arises in many real-world applications, including materials design, where we have a small resource budget to make and evaluate candidate materials in the lab. We solve this problem using the framework of Bayesian optimization (BO) and propose the first set of non-myopic methods for MOO problems. Prior work on non-myopic BO for single-objective problems relies on the Bellman optimality principle to handle the lookahead reasoning process. However, this principle does not hold for most MOO problems because the reward function needs to satisfy some conditions: scalar variable, monotonicity, and additivity. We address this challenge by using hypervolume improvement (HVI) as our scalarization approach, which allows us to use a lower-bound on the Bellman equation to approximate the finite-horizon using a batch expected hypervolume improvement (EHVI) acquisition function (AF) for MOO. Our formulation naturally allows us to use other improvement-based scalarizations and compare their efficacy to HVI. We derive three non-myopic AFs for MOBO: 1) the Nested AF, which is based on the exact computation of the lower bound, 2) the Joint AF, which is a lower bound on the nested AF, and 3) the BINOM AF, which is a fast and approximate variant based on batch multi-objective acquisition functions. Our experiments on multiple diverse real-world MO problems demonstrate that our non-myopic AFs substantially improve performance over the existing myopic AFs for MOBO.
• Abstract（参考訳）: 我々は、高価なブラックボックス対象関数の多目的最適化(MOO)を解くために、有限水平逐次実験設計の問題を考察する。 この問題は、材料設計を含む現実世界の多くのアプリケーションで発生し、そこでは、実験室で候補となる材料を作成し評価するためのリソース予算が小さい。 我々はベイズ最適化(BO)の枠組みを用いてこの問題を解決し、MOO問題に対する最初の非光学的手法を提案する。 単目的問題に対する非筋電図BOの先行研究は、ルックアヘッド推論プロセスを扱うベルマン最適性原理に依存している。 しかし、この原理は、報酬関数がスカラー変数、単調性、加法的といった条件を満たす必要があるため、ほとんどのMOO問題には当てはまらない。 この課題は、超体積改善(HVI)をスカラー化手法として用いて、ベルマン方程式の下界を用いて、MOOのバッチ予測超体積改善(EHVI)取得関数(AF)を用いて有限ホライゾンを近似することができる。 我々の定式化は自然に他の改善ベースのスカラー化を利用でき、その効果をHVIと比較することができる。 MOBOでは3つの非筋萎縮性AFを導出する。 1)下限の正確な計算に基づくNested AF 2) 巣付きAFの下部境界であるジョイントAF,及び 3) BINOM AFはバッチ多目的獲得関数に基づく高速で近似的な変種である。 多種多様な実世界のMO問題に対する実験により,MOBO の既存の筋萎縮性 AF よりも,我々の非筋萎縮性 AF が大幅に向上することが示された。

関連論文リスト

• Covariance-Adaptive Sequential Black-box Optimization for Diffusion Targeted Generation [60.41803046775034]
  ユーザのブラックボックス目標スコアのみを用いた拡散モデルを用いて,ユーザ優先のターゲット生成を行う方法を示す。 数値実験問題と目標誘導型3次元分子生成タスクの両方の実験により,より優れた目標値を得る上で,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2024-06-02T17:26:27Z)
• UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [75.11267478778295]
  マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。 重みベクトル w でパラメータ化される線型効用関数の場合に焦点を当てる。 学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-05-01T09:34:42Z)
• Large-Batch, Iteration-Efficient Neural Bayesian Design Optimization [37.339567743948955]
  本稿では,BOの限界に対処するための新しいベイズ最適化フレームワークを提案する。 我々の重要な貢献は、高度にスケーラブルでサンプルベースの取得機能であり、非支配的な目的のソートを実行する。 我々は,ベイズ型ニューラルネットワークサロゲートと組み合わせることで,最小限の反復数でデータ集約環境に有効であることを示す。
  論文  参考訳（メタデータ） (2023-06-01T19:10:57Z)
• Balancing Utility and Fairness in Submodular Maximization (Technical Report) [27.20340546154524]
  実用性と公平性のバランスをとるために,emphBi Maxim Submodularization (BSM) と呼ばれる新しい問題を提案する。 BSMは任意の定数係数で近似できないため、効率的なインスタンス依存近似スキームの設計に焦点をあてる。
  論文  参考訳（メタデータ） (2022-11-02T09:38:08Z)
• Multi-Objective GFlowNets [59.16787189214784]
  本稿では,多目的最適化の文脈において,多様な候補を生成する問題について検討する。 薬物発見やマテリアルデザインといった機械学習の多くの応用において、目標は、競合する可能性のある目標のセットを同時に最適化する候補を生成することである。 GFlowNetsをベースとした多目的GFlowNets(MOGFNs)を提案する。
  論文  参考訳（メタデータ） (2022-10-23T16:15:36Z)
• A Study of Scalarisation Techniques for Multi-Objective QUBO Solving [0.0]
  量子および量子に着想を得た最適化アルゴリズムは、学術ベンチマークや実世界の問題に適用した場合に有望な性能を示す。 しかし、QUBOソルバは単目的解法であり、複数の目的による問題の解法をより効率的にするためには、そのような多目的問題を単目的問題に変換する方法を決定する必要がある。
  論文  参考訳（メタデータ） (2022-10-20T14:54:37Z)
• Bayesian Optimization for Macro Placement [48.55456716632735]
  本研究では,系列対上のベイズ最適化(BO)を用いた新しいマクロ配置法を提案する。 BOは確率的代理モデルと獲得関数を利用する機械学習技術である。 固定アウトラインマクロ配置問題に対して, 半周波線長目標を用いたアルゴリズムを実証する。
  論文  参考訳（メタデータ） (2022-07-18T06:17:06Z)
• Parallel Bayesian Optimization of Multiple Noisy Objectives with Expected Hypervolume Improvement [14.669401425601974]
  多目的ベイズ最適化は、目的間の最適なトレードオフを特定するための強力なアプローチです。 既存の方法は、ノイズによって観測が破損すると、性能が悪くなる傾向があります。 本稿では,この重要な実用的限界を克服する新しい獲得関数NEHVIを提案する。 NEHVIは雑音や大バッチ環境下での最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-05-17T23:31:42Z)
• Offline Model-Based Optimization via Normalized Maximum Likelihood Estimation [101.22379613810881]
  データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。 この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。 我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
  論文  参考訳（メタデータ） (2021-02-16T06:04:27Z)
• Uncrowded Hypervolume-based Multi-objective Optimization with Gene-pool Optimal Mixing [0.0]
  HypervolumeベースのMO最適化は、これを克服する有望な結果を示している。 Sofomoreフレームワークは、複数のインターリーブされた単一目的の動的問題を解くことでこれを克服する。 我々は,MO-GOMEAとUHV-GOMEAを併用したハイブリッドアプローチを構築し,両者を比較検討した。
  論文  参考訳（メタデータ） (2020-04-10T15:14:54Z)

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。