論文の概要: Robust Satisficing Gaussian Process Bandits Under Adversarial Attacks

• arxiv url: http://arxiv.org/abs/2506.01625v1
• Date: Mon, 02 Jun 2025 13:04:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:34.392359
• Title: Robust Satisficing Gaussian Process Bandits Under Adversarial Attacks
• Title（参考訳）: ガウスのプロセス帯域にロバストな満足感
• Authors: Artun Saday, Yaşar Cahit Yıldırım, Cem Tekin,
• Abstract要約: そこでは、敵条件下であっても、事前に定義された性能閾値$tau$を一貫して達成することが目標である。 本稿では,頑健な充足の異なる定式化に基づく2つの新しいアルゴリズムを提案し,それらが一般的な頑健な充足フレームワークの例であることを示す。 具体的には、2つの残念な境界を導き出す: 1つは、敵の特定の条件と満足しきい値$tau$を仮定し、もう1つは摂動の規模でスケールするが、敵の仮定を必要としない。
• 参考スコア（独自算出の注目度）: 7.701333337093469
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We address the problem of Gaussian Process (GP) optimization in the presence of unknown and potentially varying adversarial perturbations. Unlike traditional robust optimization approaches that focus on maximizing performance under worst-case scenarios, we consider a robust satisficing objective, where the goal is to consistently achieve a predefined performance threshold $\tau$, even under adversarial conditions. We propose two novel algorithms based on distinct formulations of robust satisficing, and show that they are instances of a general robust satisficing framework. Further, each algorithm offers different guarantees depending on the nature of the adversary. Specifically, we derive two regret bounds: one that is sublinear over time, assuming certain conditions on the adversary and the satisficing threshold $\tau$, and another that scales with the perturbation magnitude but requires no assumptions on the adversary. Through extensive experiments, we demonstrate that our approach outperforms the established robust optimization methods in achieving the satisficing objective, particularly when the ambiguity set of the robust optimization framework is inaccurately specified.
• Abstract（参考訳）: ガウス過程 (GP) 最適化の問題に, 未知の, 潜在的に異なる逆方向の摂動が存在する場合に対処する。 最悪のシナリオにおいてパフォーマンスを最大化することに焦点を当てた従来の堅牢な最適化アプローチとは異なり、私たちは、敵の条件下であっても、常に定義されたパフォーマンス閾値を$\tau$で達成するという、堅牢な満足度目標を考えています。 本稿では,頑健な充足の異なる定式化に基づく2つの新しいアルゴリズムを提案し,それらが一般的な頑健な充足フレームワークの例であることを示す。 さらに、各アルゴリズムは敵の性質に応じて異なる保証を提供する。 具体的には、2つの後悔境界を導出する: 1つは、敵の条件を仮定し、ある条件を$\tau$とし、もう1つは摂動の規模でスケールするが、相手の仮定を必要としない。 広範にわたる実験により,本手法は,特に頑健な最適化フレームワークのあいまいさセットが不正確な場合に,満足度の高い目標を達成する上で,確立された頑健な最適化手法よりも優れていることを示す。

関連論文リスト

• Bounded Rationality for LLMs: Satisficing Alignment at Inference-Time [52.230936493691985]
  本稿では,2次基準のしきい値に基づく制約を満たしつつ,主目的を最大化し,アライメントの多面性に対処する推論フレームワークSITAlignを提案する。 我々は、満足度に基づく推論アライメントアプローチの準最適境界を導出することで理論的洞察を提供する。
  論文  参考訳（メタデータ） (2025-05-29T17:56:05Z)
• Bayesian Optimization for Non-Convex Two-Stage Stochastic Optimization Problems [2.9016548477524156]
  知識段階に基づく獲得関数を定式化し、最初の変数を協調的に最適化し、一貫性の保証を確立し、近似を与える。 2つの変数型間で交互にフォーカスを減らして定式化する方法と同等な経験結果を示す。
  論文  参考訳（メタデータ） (2024-08-30T16:26:31Z)
• High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
  アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。 非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。 そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
  論文  参考訳（メタデータ） (2021-06-10T17:54:21Z)
• Robust, Accurate Stochastic Optimization for Variational Inference [68.83746081733464]
  また, 共通最適化手法は, 問題が適度に大きい場合, 変分近似の精度が低下することを示した。 これらの結果から,基礎となるアルゴリズムをマルコフ連鎖の生成とみなして,より堅牢で正確な最適化フレームワークを開発する。
  論文  参考訳（メタデータ） (2020-09-01T19:12:11Z)
• Distributionally Robust Bayesian Optimization [121.71766171427433]
  そこで本研究では,ゼロ次雑音最適化のための分散ロバストなベイズ最適化アルゴリズム(DRBO)を提案する。 提案アルゴリズムは, 種々の設定において, 線形に頑健な後悔を確実に得る。 提案手法は, 実世界のベンチマークと実世界のベンチマークの両方において, 頑健な性能を示す。
  論文  参考訳（メタデータ） (2020-02-20T22:04:30Z)

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。