論文の概要: Constrained multi-fidelity Bayesian optimization with automatic stop condition

• arxiv url: http://arxiv.org/abs/2503.01126v2
• Date: Fri, 21 Mar 2025 22:41:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:32:52.997553
• Title: Constrained multi-fidelity Bayesian optimization with automatic stop condition
• Title（参考訳）: 自動停止条件付き制約付き多重忠実ベイズ最適化
• Authors: Zahra Zanjani Foumani, Ramin Bostanabad,
• Abstract要約: 制約付きコスト対応多要素BO(CMFBO)フレームワークを開発した。 我々のゴールは、安価な低忠実度源を有効性を確保しつつ利用することで、全体のサンプリングコストを最小化することである。 また,BOの収束評価に伴う長期的課題に対処する系統的な停止基準を導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Bayesian optimization (BO) is increasingly employed in critical applications to find the optimal design with minimal cost. While BO is known for its sample efficiency, relying solely on costly high-fidelity data can still result in high costs. This is especially the case in constrained search spaces where BO must not only optimize but also ensure feasibility. A related issue in the BO literature is the lack of a systematic stopping criterion. To solve these challenges, we develop a constrained cost-aware multi-fidelity BO (CMFBO) framework whose goal is to minimize overall sampling costs by utilizing inexpensive low-fidelity sources while ensuring feasibility. In our case, the constraints can change across the data sources and may be even black-box functions. We also introduce a systematic stopping criterion that addresses the long-lasting issue associated with BO's convergence assessment. Our framework is publicly available on GitHub through the GP+ Python package and herein we validate it's efficacy on multiple benchmark problems.
• Abstract（参考訳）: ベイズ最適化(BO)は、最小限のコストで最適な設計を見つけるために、ますます重要な応用に採用されている。 BOはそのサンプル効率で知られているが、高価な高忠実度データにのみ依存することは、依然として高いコストをもたらす可能性がある。 特に制約付き検索空間では、BOは最適化だけでなく、実現可能性も確保しなければならない。 BO文学における関連する問題は、体系的な停止基準の欠如である。 これらの課題を解決するため,安価な低忠実度源を有効性を確保しつつ,サンプリングコストを最小化することを目的とした,制約付きコスト対応多忠実BO(CMFBO)フレームワークを開発した。 私たちの場合、制約はデータソース間で変化し、ブラックボックス関数になるかもしれません。 また,BOの収束評価に伴う長期的課題に対処する系統的な停止基準を導入する。 私たちのフレームワークはGP+ Pythonパッケージを通じてGitHubで公開されており、複数のベンチマーク問題に対する有効性を検証する。

関連論文リスト

• Offline Stochastic Optimization of Black-Box Objective Functions [47.74033738624514]
  複雑なブラックボックス関数の高価なアクティブクエリを避けるために、既存のデータを活用することが不可欠である。 ブラックボックスの目的と制御不能な不確実性の両方に対処するオフラインBBO(SOBBO)を導入する。 シミュレーション実験により,本手法が実環境と実環境の両方のタスクに与える影響を実証した。
  論文  参考訳（メタデータ） (2024-12-03T02:20:30Z)
• Cost-aware Bayesian Optimization via the Pandora's Box Gittins Index [57.045952766988925]
  我々は,コストを意識したベイズ最適化と,経済学の意思決定問題であるPandoraのBox問題との間に,従来未解決の接続関係を構築した。 我々の研究は、Gittinsインデックス理論からベイズ最適化への技術統合に向けた第一歩となる。
  論文  参考訳（メタデータ） (2024-06-28T17:20:13Z)
• Cost-Sensitive Multi-Fidelity Bayesian Optimization with Transfer of Learning Curve Extrapolation [55.75188191403343]
  各ユーザが事前に定義した機能であるユーティリティを導入し,BOのコストと性能のトレードオフについて述べる。 このアルゴリズムをLCデータセット上で検証した結果,従来のマルチファイルBOや転送BOベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2024-05-28T07:38:39Z)
• OTClean: Data Cleaning for Conditional Independence Violations using Optimal Transport [51.6416022358349]
  sysは、条件付き独立性(CI)制約下でのデータ修復に最適な輸送理論を利用するフレームワークである。 我々はSinkhornの行列スケーリングアルゴリズムにインスパイアされた反復アルゴリズムを開発し、高次元および大規模データを効率的に処理する。
  論文  参考訳（メタデータ） (2024-03-04T18:23:55Z)
• Learning Regions of Interest for Bayesian Optimization with Adaptive Level-Set Estimation [84.0621253654014]
  本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。 理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
  論文  参考訳（メタデータ） (2023-07-25T09:45:47Z)
• Multi-Fidelity Cost-Aware Bayesian Optimization [0.0]
  ベイズ最適化(BO)における一般的な戦略は、高忠実度データにのみ依存するのではなく、安価な低忠実度データを提供する情報ソースのアンサンブルを使用することである。 本稿では, 高効率, 整合性, 堅牢性の観点から, 最先端技術を劇的に向上させる多要素コスト対応BOフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-04T20:07:24Z)
• Multi-Fidelity Bayesian Optimization with Unreliable Information Sources [12.509709549771385]
  GPベースのMFBOスキームを信頼性のない情報ソースの追加により堅牢にするためのrMFBO(robust MFBO)を提案する。 提案手法の有効性を,多数の数値ベンチマークで示す。 rMFBOは、BOプロセスに様々な知識を持つ人間の専門家を確実に含めるのに特に有用であると考えています。
  論文  参考訳（メタデータ） (2022-10-25T11:47:33Z)
• Movement Penalized Bayesian Optimization with Application to Wind Energy Systems [84.7485307269572]
  文脈ベイズ最適化(CBO)は、与えられた側情報を逐次決定する強力なフレームワークである。 この設定では、学習者は各ラウンドでコンテキスト(天気条件など)を受け取り、アクション(タービンパラメータなど)を選択する必要がある。 標準的なアルゴリズムは、すべてのラウンドで意思決定を切り替えるコストを前提としませんが、多くの実用的なアプリケーションでは、このような変更に関連するコストが最小化されるべきです。
  論文  参考訳（メタデータ） (2022-10-14T20:19:32Z)
• A Nonmyopic Approach to Cost-Constrained Bayesian Optimization [10.078368988372247]
  コスト制約付きBOを制約付きマルコフ決定過程(CMDP)として定式化する。 コストと将来のイテレーションを考慮に入れた最適CMDPポリシーに対する効率的なロールアウト近似を開発する。
  論文  参考訳（メタデータ） (2021-06-10T22:44:37Z)
• Cost-aware Bayesian Optimization [6.75013674088437]
  コストを意識したBOは、時間、エネルギー、お金といった他のコスト指標との収束を測定します。 我々は,目標関数をできるだけ少ないコストで最小化しようとするコスト調整BO(CArBO)を導入する。
  論文  参考訳（メタデータ） (2020-03-22T14:51:04Z)

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。