論文の概要: Understanding High-Dimensional Bayesian Optimization

• arxiv url: http://arxiv.org/abs/2502.09198v2
• Date: Tue, 10 Jun 2025 12:46:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:39.564897
• Title: Understanding High-Dimensional Bayesian Optimization
• Title（参考訳）: 高次元ベイズ最適化の理解
• Authors: Leonard Papenmeier, Matthias Poloczek, Luigi Nardi,
• Abstract要約: 最近の研究は、高次元実世界のタスクに対して単純なベイズ最適化法がうまく機能していることを報告している。 我々は,高次元BOで生じる課題を明らかにし,最近の手法が成功した理由を説明する。 そこで本研究では,これらの知見を応用して最先端性能を実現する,MSRと呼ばれる単純なMLEの変種を提案する。
• 参考スコア（独自算出の注目度）: 8.07879230384311
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent work reported that simple Bayesian optimization (BO) methods perform well for high-dimensional real-world tasks, seemingly contradicting prior work and tribal knowledge. This paper investigates why. We identify underlying challenges that arise in high-dimensional BO and explain why recent methods succeed. Our empirical analysis shows that vanishing gradients caused by Gaussian process (GP) initialization schemes play a major role in the failures of high-dimensional Bayesian optimization (HDBO) and that methods that promote local search behaviors are better suited for the task. We find that maximum likelihood estimation (MLE) of GP length scales suffices for state-of-the-art performance. Based on this, we propose a simple variant of MLE called MSR that leverages these findings to achieve state-of-the-art performance on a comprehensive set of real-world applications. We present targeted experiments to illustrate and confirm our findings.
• Abstract（参考訳）: 最近の研究は、単純なベイズ最適化(BO)法が高次元実世界のタスクに対してうまく機能し、以前の作業や部族の知識と矛盾しているように見えることを報告している。 本論文はその理由を考察する。 我々は,高次元BOで生じる課題を特定し,最近の手法が成功した理由を説明する。 実験により,高次元ベイズ最適化(HDBO)の失敗において,ガウス過程(GP)初期化スキームによる勾配の消失が重要な役割を担い,局所探索行動を促進する手法が課題に適していることが示唆された。 GP長の最大誤差推定(MLE)は,最先端性能に十分であることがわかった。 そこで本研究では,MSRと呼ばれるMLEの簡易な変種を提案する。 本研究は,本研究の成果を実証し,確認するために,対象とする実験を提示する。

関連論文リスト

• High Dimensional Bayesian Optimization using Lasso Variable Selection [9.051539805042651]
  本稿では,ガウスプロセスカーネルの長さスケールを推定することにより,重要な変数を識別する新しい手法を提案する。 提案手法は, 最悪の場合において, サブ線形成長率で累積的後悔を達成できることを実証する。 高次元合成関数と実世界の問題に対する実験により,本手法が最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-04-02T13:54:04Z)
• Near-optimal Active Reconstruction [3.037563407333583]
  アクティブオブジェクト再構成の文脈において,Next Best View(NBV)問題に対するアルゴリズムを設計する。 我々はアルゴリズムの累積的後悔のために線形境界を厳格に導き、ほぼ最適性を保証する。 シミュレーションフレームワークにおいて,アルゴリズムの性能を実証的に評価する。
  論文  参考訳（メタデータ） (2025-03-24T09:17:53Z)
• Discovering Preference Optimization Algorithms with and for Large Language Models [50.843710797024805]
  オフライン優先最適化は、LLM(Large Language Model)出力の品質を向上・制御するための重要な手法である。 我々は、人間の介入なしに、新しい最先端の選好最適化アルゴリズムを自動で発見する客観的発見を行う。 実験は、ロジスティックと指数的損失を適応的にブレンドする新しいアルゴリズムであるDiscoPOPの最先端性能を示す。
  論文  参考訳（メタデータ） (2024-06-12T16:58:41Z)
• Vanilla Bayesian Optimization Performs Great in High Dimensions [5.7574684256411786]
  高次元問題はベイズ最適化アルゴリズムのアキレスのヒールと見なされてきた。 既存のアルゴリズムが、モデルの複雑さを下げるレンズを通して、これらの退化にどのように対処しているかを示す。
  論文  参考訳（メタデータ） (2024-02-03T18:19:46Z)
• Scalable Bayesian Meta-Learning through Generalized Implicit Gradients [64.21628447579772]
  Inlicit Bayesian Meta-learning (iBaML) 法は、学習可能な事前のスコープを広げるだけでなく、関連する不確実性も定量化する。 解析誤差境界は、明示的よりも一般化された暗黙的勾配の精度と効率を示すために確立される。
  論文  参考訳（メタデータ） (2023-03-31T02:10:30Z)
• A Particle-based Sparse Gaussian Process Optimizer [5.672919245950197]
  本稿では,下降の動的過程を利用した新しいスワム・スワムベースのフレームワークを提案する。 このアプローチの最大の利点は、降下を決定する前に現在の状態についてより深い探索を行うことである。
  論文  参考訳（メタデータ） (2022-11-26T09:06:15Z)
• Generalizing Bayesian Optimization with Decision-theoretic Entropies [102.82152945324381]
  統計的決定論の研究からシャノンエントロピーの一般化を考える。 まず,このエントロピーの特殊なケースがBO手順でよく用いられる獲得関数に繋がることを示す。 次に、損失に対する選択肢の選択が、どのようにして柔軟な獲得関数の族をもたらすかを示す。
  論文  参考訳（メタデータ） (2022-10-04T04:43:58Z)
• Outlier-Robust Sparse Estimation via Non-Convex Optimization [73.18654719887205]
  空間的制約が存在する場合の高次元統計量と非破壊的最適化の関連について検討する。 これらの問題に対する新規で簡単な最適化法を開発した。 結論として、効率よくステーションに収束する一階法は、これらのタスクに対して効率的なアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2021-09-23T17:38:24Z)
• High-Dimensional Bayesian Optimisation with Variational Autoencoders and Deep Metric Learning [119.91679702854499]
  本研究では,高次元の入力空間上でベイズ最適化を行うためのディープ・メトリック・ラーニングに基づく手法を提案する。 このような帰納バイアスを、利用可能なラベル付きデータの1%だけを用いて達成する。 実証的な貢献として、実世界の高次元ブラックボックス最適化問題に対する最先端の結果を示す。
  論文  参考訳（メタデータ） (2021-06-07T13:35:47Z)
• Directed particle swarm optimization with Gaussian-process-based function forecasting [15.733136147164032]
  パーティクルスワム最適化 (PSO) は、探索空間を囲む一組の候補解を、ランダム化されたステップ長を持つ最もよく知られたグローバルおよびローカルな解へ移動させる反復探索法である。 本アルゴリズムは探索的・搾取的行動に対して望ましい特性が得られることを示す。
  論文  参考訳（メタデータ） (2021-02-08T13:02:57Z)
• Zeroth-Order Hybrid Gradient Descent: Towards A Principled Black-Box Optimization Framework [100.36569795440889]
  この作業は、一階情報を必要としない零次最適化(ZO)の反復である。 座標重要度サンプリングにおける優雅な設計により,ZO最適化法は複雑度と関数クエリコストの両面において効率的であることを示す。
  論文  参考訳（メタデータ） (2020-12-21T17:29:58Z)

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。