Fugu-MT 論文翻訳(概要): Multi-Objective Optimization and Hyperparameter Tuning With Desirability Functions

論文の概要: Multi-Objective Optimization and Hyperparameter Tuning With Desirability Functions

arxiv url: http://arxiv.org/abs/2503.23595v1
Date: Sun, 30 Mar 2025 21:16:41 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-01 19:35:57.195546
Title: Multi-Objective Optimization and Hyperparameter Tuning With Desirability Functions
Title（参考訳）: 望ましくない関数を用いた多目的最適化とハイパーパラメータチューニング
Authors: Thomas Bartz-Beielstein,
Abstract要約: Pythonパッケージススポットデアビリティは、シーケンシャルパラメータ最適化フレームワークの一部として利用できる。古典的最適化にデザーラビリティ関数を使う方法を示す3つの例が提示される。
参考スコア（独自算出の注目度）: 0.5439020425819
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The goal of this article is to provide an introduction to the desirability function approach to multi-objective optimization (direct and surrogate model-based), and multi-objective hyperparameter tuning. This work is based on the paper by Kuhn (2016). It presents a `Python` implementation of Kuhn's `R` package `desirability`. The `Python` package `spotdesirability` is available as part of the `sequential parameter optimization` framework. After a brief introduction to the desirability function approach is presented, three examples are given that demonstrate how to use the desirability functions for classical optimization, surrogate-model based optimization, and hyperparameter tuning.
Abstract（参考訳）: 本稿の目的は,多目的最適化(直接・代理モデルベース)と多目的ハイパーパラメータチューニングへのデザーバビリティ関数アプローチの導入である。この研究は Kuhn (2016) の論文に基づいている。これは Kuhn の `R` package `desirability` の実装である。 Python` package `spotdesirability` は `sequential parameter optimization` フレームワークの一部として利用できる。所望性関数のアプローチを簡潔に紹介した後、古典的最適化、代理モデルに基づく最適化、ハイパーパラメータチューニングに所望性関数を使用する方法を示す3つの例が提示される。

関連論文リスト

A Unified Gaussian Process for Branching and Nested Hyperparameter Optimization [19.351804144005744]
ディープラーニングでは、条件に依存したパラメータのチューニングが一般的に行われている。新しいGPモデルでは、新しいカーネル関数を通じて入力変数間の依存構造が説明される。ニューラルネットワークの一連の合成シミュレーションおよび実データ応用において、高い予測精度とより良い最適化効率が観察される。
論文参考訳（メタデータ） (2024-01-19T21:11:32Z)
Predictive Modeling through Hyper-Bayesian Optimization [60.586813904500595]
本稿では,モデル選択とBOを統合する新しい手法を提案する。このアルゴリズムは、モデル空間のBOと関数空間のBOの間を行き来する。サンプル効率の改善に加えて、ブラックボックス機能に関する情報も出力する。
論文参考訳（メタデータ） (2023-08-01T04:46:58Z)
Bayesian Optimization with Informative Covariance [13.113313427848828]
探索空間の特定の領域の好みを符号化するために,非定常性を利用した新しい情報共分散関数を提案する。提案した関数は,より弱い事前情報の下でも,ハイ次元でのベイズ最適化のサンプル効率を向上させることができることを示す。
論文参考訳（メタデータ） (2022-08-04T15:05:11Z)
Pre-training helps Bayesian optimization too [49.28382118032923]
機能的事前設定のための代替的なプラクティスを模索する。特に、より厳密な分布を事前訓練できるような、類似した関数のデータを持つシナリオを考察する。提案手法は, 競合する手法の少なくとも3倍の効率で, 優れたハイパーパラメータを見つけることができることを示す。
論文参考訳（メタデータ） (2022-07-07T04:42:54Z)
A General Recipe for Likelihood-free Bayesian Optimization [115.82591413062546]
我々は,BOをより広範なモデルやユーティリティに拡張する可能性のないBO(LFBO)を提案する。 LFBOは、確率的代理モデルと個別に推論を行うことなく、取得関数を直接モデル化する。 LFBOにおける取得関数の計算は、重み付けされた分類問題を最適化することで削減できることを示す。
論文参考訳（メタデータ） (2022-06-27T03:55:27Z)
Surrogate modeling for Bayesian optimization beyond a single Gaussian process [62.294228304646516]
本稿では,探索空間の活用と探索のバランスをとるための新しいベイズ代理モデルを提案する。拡張性のある関数サンプリングを実現するため、GPモデル毎にランダムな特徴ベースのカーネル近似を利用する。提案した EGP-TS を大域的最適に収束させるため,ベイズ的後悔の概念に基づいて解析を行う。
論文参考訳（メタデータ） (2022-05-27T16:43:10Z)
Towards Learning Universal Hyperparameter Optimizers with Transformers [57.35920571605559]
我々は,テキストベースのトランスフォーマーHPOフレームワークであるOptFormerを紹介した。実験の結果,OptFormerは少なくとも7種類のHPOアルゴリズムを模倣できることがわかった。
論文参考訳（メタデータ） (2022-05-26T12:51:32Z)
R-MBO: A Multi-surrogate Approach for Preference Incorporation in Multi-objective Bayesian Optimisation [0.0]
本稿では,多目的BOにおける意思決定者の嗜好として,目的関数を目的関数値に組み込むための,a-priori Multi-surrogateアプローチを提案する。ベンチマークと実世界の最適化問題に対する既存モノ代理手法との比較は,提案手法の可能性を示している。
論文参考訳（メタデータ） (2022-04-27T19:58:26Z)
Pre-trained Gaussian Processes for Bayesian Optimization [24.730678780782647]
本稿では,HyperBO という事前学習型 BO フレームワークを提案する。 GPが既知の「地中真実」を仮定することなく, 後続の予測と, ほぼゼロの後悔をHyperBOに示す。
論文参考訳（メタデータ） (2021-09-16T20:46:26Z)
Are we Forgetting about Compositional Optimisers in Bayesian Optimisation? [66.39551991177542]
本稿では,グローバル最適化のためのサンプル手法を提案する。この中、重要なパフォーマンス決定の自明さは、取得機能を最大化することです。 3958実験における機能最適化手法の実証的利点を強調する。
論文参考訳（メタデータ） (2020-12-15T12:18:38Z)
Additive Tree-Structured Covariance Function for Conditional Parameter Spaces in Bayesian Optimization [34.89735938765757]
木構造関数への加法的仮定を一般化する。パラメータ空間の構造情報と加法仮定をBOループに組み込むことで,取得関数を最適化する並列アルゴリズムを開発した。
論文参考訳（メタデータ） (2020-06-21T11:21:55Z)
Multi-Objective Hyperparameter Tuning and Feature Selection using Filter Ensembles [0.8029049649310213]
特徴選択を多目的最適化タスクとして扱う。まず、多目的モデルベースの最適化を使用する。第二に、NSGA-IIベースのラッパーアプローチによる特徴選択である。
論文参考訳（メタデータ） (2019-12-30T13:04:06Z)

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。