論文の概要: FigBO: A Generalized Acquisition Function Framework with Look-Ahead Capability for Bayesian Optimization

• arxiv url: http://arxiv.org/abs/2504.20307v1
• Date: Mon, 28 Apr 2025 23:35:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.692951
• Title: FigBO: A Generalized Acquisition Function Framework with Look-Ahead Capability for Bayesian Optimization
• Title（参考訳）: FigBO:ベイズ最適化のためのルックアヘッド機能を備えた一般獲得機能フレームワーク
• Authors: Hui Chen, Xuhui Fan, Zhangkai Wu, Longbing Cao,
• Abstract要約: FigBOは、グローバル情報ゲインに対する候補点の将来的な影響を取り入れた、汎用的な買収機能である。 本稿では,FigBOの最先端性能と既存手法に比べてはるかに高速な収束を実現することを示す。
• 参考スコア（独自算出の注目度）: 33.22407166798102
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bayesian optimization is a powerful technique for optimizing expensive-to-evaluate black-box functions, consisting of two main components: a surrogate model and an acquisition function. In recent years, myopic acquisition functions have been widely adopted for their simplicity and effectiveness. However, their lack of look-ahead capability limits their performance. To address this limitation, we propose FigBO, a generalized acquisition function that incorporates the future impact of candidate points on global information gain. FigBO is a plug-and-play method that can integrate seamlessly with most existing myopic acquisition functions. Theoretically, we analyze the regret bound and convergence rate of FigBO when combined with the myopic base acquisition function expected improvement (EI), comparing them to those of standard EI. Empirically, extensive experimental results across diverse tasks demonstrate that FigBO achieves state-of-the-art performance and significantly faster convergence compared to existing methods.
• Abstract（参考訳）: ベイズ最適化はコスト対評価のブラックボックス関数を最適化する強力な手法であり、サロゲートモデルと取得関数という2つの主要コンポーネントから構成される。 近年では、心筋獲得機能は、そのシンプルさと有効性のために広く採用されている。 しかし、ルックアヘッド能力の欠如はパフォーマンスを制限している。 この制限に対処するため,グローバル情報ゲインに対する候補点の今後の影響を取り入れた汎用的な獲得関数FigBOを提案する。 FigBOは、既存の多くのミオピック取得機能とシームレスに統合できるプラグイン・アンド・プレイ方式である。 理論的には、筋塩基獲得機能改善(EI)と組み合わせて、FigBOの後悔と収束率を分析し、それらを標準EIと比較する。 実験的に、様々なタスクにまたがる広範な実験結果から、FigBOは最先端のパフォーマンスを達成し、既存の手法に比べてはるかに高速な収束を実現していることがわかる。

関連論文リスト

• A Unified Framework for Entropy Search and Expected Improvement in Bayesian Optimization [6.745285924097932]
  本稿では,EIと情報理論獲得関数が従来認識されていたよりも密接な関係があることを明らかにする統一理論フレームワークである変分エントロピー探索を導入する。 本稿では,EI と MES の強度のバランスをとる新しい獲得関数 VES-Gamma を提案する。
  論文  参考訳（メタデータ） (2025-01-30T21:15:00Z)
• Non-Myopic Multi-Objective Bayesian Optimization [64.31753000439514]
  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。
  論文  参考訳（メタデータ） (2024-12-11T04:05:29Z)
• 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)
• Poisson Process for Bayesian Optimization [126.51200593377739]
  本稿では、Poissonプロセスに基づくランキングベースの代理モデルを提案し、Poisson Process Bayesian Optimization(PoPBO)と呼ばれる効率的なBOフレームワークを提案する。 従来のGP-BO法と比較すると,PoPBOはコストが低く,騒音に対する堅牢性も良好であり,十分な実験により検証できる。
  論文  参考訳（メタデータ） (2024-02-05T02:54:50Z)
• A General Framework for User-Guided Bayesian Optimization [51.96352579696041]
  コラボ (ColaBO) は、典型的なカーネル構造を超越した事前信念のための最初のベイズ原理の枠組みである。 我々は,ColaBOの事前情報が正確である場合に最適化を著しく高速化し,ミスリード時のほぼ既定性能を維持する能力を実証的に実証した。
  論文  参考訳（メタデータ） (2023-11-24T18:27:26Z)
• BOtied: Multi-objective Bayesian optimization with tied multivariate ranks [33.414682601242006]
  本稿では,非支配解と結合累積分布関数の極端量子化との自然な関係を示す。 このリンクにより、我々はPareto対応CDFインジケータと関連する取得関数BOtiedを提案する。 種々の合成および実世界の問題に対する実験により,BOtied は最先端MOBO 取得関数より優れていることが示された。
  論文  参考訳（メタデータ） (2023-06-01T04:50:06Z)
• Bayesian Optimization for Function Compositions with Applications to Dynamic Pricing [0.0]
  本稿では, 構成の形式が知られているが, 構成関数を評価するのに費用がかかる機能構成の実用的BO法を提案する。 本稿では,収益管理における動的価格設定への新たな応用を,その基盤となる需要関数の評価に費用がかかる場合に示す。
  論文  参考訳（メタデータ） (2023-03-21T15:45:06Z)
• 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)
• $\pi$BO: Augmenting Acquisition Functions with User Beliefs for Bayesian Optimization [40.30019289383378]
  最適位置に関する事前の信念を取り入れた,取得関数の一般化である$pi$BOを提案する。 従来のアプローチとは対照的に、$pi$BOは概念的にはシンプルで、既存のライブラリや多くの取得関数と簡単に統合できる。 また、一般的なディープラーニングタスクの最先端性能を$pi$BOで改善し、12.5$times$タイム・トゥ・クオリティ・スピードアップを実現した。
  論文  参考訳（メタデータ） (2022-04-23T11:07:13Z)
• What Makes an Effective Scalarising Function for Multi-Objective Bayesian Optimisation? [6.4239565988811425]
  目的のスケール化による多対象ベイズ最適化は、高価な積分ベースの獲得関数の計算を避ける。 ここで定義されるすべての方法論的改善の有効性は、実世界の問題で実証される。
  論文  参考訳（メタデータ） (2021-04-10T15:18:58Z)
• 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)

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。