論文の概要: Time-Varying Bayesian Optimization Without a Metronome

• arxiv url: http://arxiv.org/abs/2501.18963v3
• Date: Mon, 20 Oct 2025 15:50:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.169989
• Title: Time-Varying Bayesian Optimization Without a Metronome
• Title（参考訳）: メトロノームのない時変ベイズ最適化
• Authors: Anthony Bardou, Patrick Thiran,
• Abstract要約: TVBOアルゴリズムによって提供されるサンプリング保証のほとんどは、観測が一定の周波数で取得されるという仮定に依存している。 我々は、観察頻度の変化を明示的に説明する最初の上部後悔境界を導出する。 これらの勧告に従うアルゴリズムが,TVBOの最先端技術よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 10.265700429828021
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Time-Varying Bayesian Optimization (TVBO) is the go-to framework for optimizing a time-varying, expensive, noisy black-box function $f$. However, most of the asymptotic guarantees offered by TVBO algorithms rely on the assumption that observations are acquired at a constant frequency. As the GP inference complexity scales with the cube of its dataset size, this assumption is unrealistic in the long run. In this paper, we relax this assumption and derive the first upper regret bound that explicitly accounts for changes in the observations sampling frequency. Based on this analysis, we formulate practical recommendations about dataset sizes and stale data policies of TVBO algorithms. We illustrate how an algorithm (BOLT) that follows these recommendations performs better than the state-of-the-art of TVBO through experiments on synthetic and real-world problems.
• Abstract（参考訳）: 時変ベイズ最適化(英: Time-Varying Bayesian Optimization、TVBO)は、時変で高価でノイズの多いブラックボックス関数を最適化するフレームワークである。 しかし、TVBOアルゴリズムによって提供される漸近的保証のほとんどは、観測が一定の周波数で取得されるという仮定に依存している。 GP推論の複雑性はそのデータセットサイズの立方体と共にスケールするので、この仮定は長期的には非現実的である。 本稿では、この仮定を緩和し、観測サンプリング周波数の変化を明示的に考慮した最初の上層後悔境界を導出する。 この分析に基づいて,TVBOアルゴリズムのデータセットサイズと古いデータポリシーに関する実用的な勧告を定式化する。 本稿では,これらのレコメンデーションに従うアルゴリズム(BOLT)が,合成および実世界の問題に対する実験を通じて,TVBOの最先端技術よりも優れていることを示す。

関連論文リスト

• Asymptotic Performance of Time-Varying Bayesian Optimization [5.224009487402768]
  我々は,TVBOアルゴリズムの即時後悔が消える可能性を示し,もしそうであるならば,いつなのかを示す。 我々は,TVBOアルゴリズムが非レグレット特性を持つための十分な条件を導出する。 我々の分析は、定常カーネル関数の全ての主要なクラスをカバーしている。
  論文  参考訳（メタデータ） (2025-05-19T11:55:02Z)
• Principled Preferential Bayesian Optimization [22.269732173306192]
  優先ベイズ最適化(BO)の問題について検討する。 一対の候補解よりも優先的なフィードバックしか持たないブラックボックス関数を最適化することを目指している。 この問題を解決するために,効率的な計算手法を用いた楽観的アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-02-08T02:57:47Z)
• LABCAT: Locally adaptive Bayesian optimization using principal-component-aligned trust regions [0.0]
  信頼領域に基づくBOを拡張した LABCAT アルゴリズムを提案する。 このアルゴリズムは、最先端のBOや他のブラックボックス最適化アルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-19T13:56:24Z)
• Parallel Bayesian Optimization Using Satisficing Thompson Sampling for Time-Sensitive Black-Box Optimization [0.0]
  本稿では,Thompsonサンプリングに基づく並列BO手法を提案する。 ターゲットを最適なソリューションから、学習しやすい満足できるソリューションにシフトします。 リチウムイオン電池の高速充電設計問題に対して提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2023-10-19T07:03:51Z)
• Accelerated First-Order Optimization under Nonlinear Constraints [73.2273449996098]
  我々は、制約付き最適化のための一階アルゴリズムと非滑らかなシステムの間で、新しい一階アルゴリズムのクラスを設計する。 これらのアルゴリズムの重要な性質は、制約がスパース変数の代わりに速度で表されることである。
  論文  参考訳（メタデータ） (2023-02-01T08:50:48Z)
• Exploring the Algorithm-Dependent Generalization of AUPRC Optimization with List Stability [107.65337427333064]
  AUPRC(Area Under the Precision-Recall Curve)の最適化は、機械学習にとって重要な問題である。 本研究では, AUPRC最適化の単依存一般化における最初の試行について述べる。 3つの画像検索データセットの実験は、我々のフレームワークの有効性と健全性に言及する。
  論文  参考訳（メタデータ） (2022-09-27T09:06:37Z)
• Batch Bayesian optimisation via density-ratio estimation with guarantees [26.052368583196426]
  本稿では,BOREの後悔を理論的に分析し,不確実性の推定を改良したアルゴリズムの拡張について述べる。 また,BOREを近似ベイズ推論として再キャストすることにより,バッチ最適化設定に自然に拡張可能であることを示す。
  論文  参考訳（メタデータ） (2022-09-22T00:42:18Z)
• Regret Bounds for Expected Improvement Algorithms in Gaussian Process Bandit Optimization [63.8557841188626]
  期待されている改善(EI)アルゴリズムは、不確実性の下で最適化するための最も一般的な戦略の1つである。 本稿では,GP予測平均を通した標準既存値を持つEIの変種を提案する。 我々のアルゴリズムは収束し、$mathcal O(gamma_TsqrtT)$の累積後悔境界を達成することを示す。
  論文  参考訳（メタデータ） (2022-03-15T13:17:53Z)
• Bayesian Algorithm Execution: Estimating Computable Properties of Black-box Functions Using Mutual Information [78.78486761923855]
  多くの現実世界では、T関数の評価の予算を考えると、高価なブラックボックス関数 f の性質を推測したい。 本稿では,アルゴリズムの出力に対して相互情報を最大化するクエリを逐次選択する手法InfoBAXを提案する。 これらの問題に対してInfoBAXは、元のアルゴリズムで要求されるより500倍少ないクエリをfに使用する。
  論文  参考訳（メタデータ） (2021-04-19T17:22:11Z)
• An Asymptotically Optimal Primal-Dual Incremental Algorithm for Contextual Linear Bandits [129.1029690825929]
  複数の次元に沿った最先端技術を改善する新しいアルゴリズムを提案する。 非文脈線形帯域の特別な場合において、学習地平線に対して最小限の最適性を確立する。
  論文  参考訳（メタデータ） (2020-10-23T09:12:47Z)
• Sub-linear Regret Bounds for Bayesian Optimisation in Unknown Search Spaces [63.22864716473051]
  本稿では,反復により探索空間を拡大(およびシフト)する新しいBOアルゴリズムを提案する。 理論的には、どちらのアルゴリズムにおいても、累積的後悔は線形以下の速度で増大する。
  論文  参考訳（メタデータ） (2020-09-05T14:24:40Z)

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。