論文の概要: Multi-Objective Bayesian Optimization with Independent Tanimoto Kernel Gaussian Processes for Diverse Pareto Front Exploration

• arxiv url: http://arxiv.org/abs/2508.14072v1
• Date: Tue, 12 Aug 2025 06:27:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.154363
• Title: Multi-Objective Bayesian Optimization with Independent Tanimoto Kernel Gaussian Processes for Diverse Pareto Front Exploration
• Title（参考訳）: 異なる谷本カーネルガウス過程を用いた多目的ベイズ最適化によるパレート前方探査
• Authors: Anabel Yong,
• Abstract要約: 本稿では,新しい多目的ベイズ最適化アルゴリズムであるGP-MOBOを提案する。 提案手法は, スパース分子指紋の全次元を効率よく処理できる, Exact Gaussian Processs (GPs) のための, 高速で最小のパッケージを統合する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present GP-MOBO, a novel multi-objective Bayesian Optimization algorithm that advances the state-of-the-art in molecular optimization. Our approach integrates a fast minimal package for Exact Gaussian Processes (GPs) capable of efficiently handling the full dimensionality of sparse molecular fingerprints without the need for extensive computational resources. GP-MOBO consistently outperforms traditional methods like GP-BO by fully leveraging fingerprint dimensionality, leading to the identification of higher-quality and valid SMILES. Moreover, our model achieves a broader exploration of the chemical search space, as demonstrated by its superior proximity to the Pareto front in all tested scenarios. Empirical results from the DockSTRING dataset reveal that GP-MOBO yields higher geometric mean values across 20 Bayesian optimization iterations, underscoring its effectiveness and efficiency in addressing complex multi-objective optimization challenges with minimal computational overhead.
• Abstract（参考訳）: GP-MOBOは,分子最適化における最先端性を向上する,新しい多目的ベイズ最適化アルゴリズムである。 提案手法では,厳密な計算資源を必要とせずに,スパース分子指紋の完全次元を効率的に処理できるGP(Exact Gaussian Processs)の高速最小パッケージを統合する。 GP-MOBOは、指紋の寸法を完全に活用することで、GP-BOのような従来の手法を一貫して上回り、高品質で有効なSMILESを識別する。 さらに,本モデルでは,全ての試験シナリオにおいて,Pareto前線に近接していることから,化学探索空間のより広範な探索が達成されている。 DockSTRingデータセットによる実験結果によると、GP-MOBOは20のベイズ最適化イテレーションで高い幾何平均値をもたらし、計算オーバーヘッドが最小限である複雑な多目的最適化課題に対処する上での有効性と効率を実証している。

関連論文リスト

• Divergence Minimization Preference Optimization for Diffusion Model Alignment [58.651951388346525]
  Divergence Minimization Preference Optimization (DMPO) は、逆KL分散を最小化して拡散モデルを整列する原理的手法である。 その結果,DMPOで微調整した拡散モデルは,既存の手法よりも常に優れるか,一致しているかが示唆された。 DMPOは、優先順位調整のための堅牢でエレガントな経路を解き、拡散モデルにおいて実用的な性能を持つ原理的理論をブリッジする。
  論文  参考訳（メタデータ） (2025-07-10T07:57:30Z)
• An Experimental Approach for Running-Time Estimation of Multi-objective Evolutionary Algorithms in Numerical Optimization [16.66619776655723]
  アルゴリズムを使わずにMOEAの走行時間上界を推定する実験手法を提案する。 ZDTおよびDTLZベンチマークスイートを用いて,5つの代表MOEAについて総合的な実験を行った。 その結果,アルゴリズムや問題を単純化することなく,走行時間における上限を推定する手法の有効性が示された。
  論文  参考訳（メタデータ） (2025-07-03T07:06:14Z)
• Spectral Mixture Kernels for Bayesian Optimization [3.8601741392210434]
  本稿では,スペクトル混合カーネルを組み込んだガウス過程に基づく新しいBO法を提案する。 この手法は効率と最適化性能の両方において大幅に向上する。 最適な情報を得る際の情報獲得と累積的後悔の限界を提供する。
  論文  参考訳（メタデータ） (2025-05-23T02:07:26Z)
• Scalable Min-Max Optimization via Primal-Dual Exact Pareto Optimization [66.51747366239299]
  拡張ラグランジアンに基づくmin-max問題のスムーズな変種を提案する。 提案アルゴリズムは, 段階的戦略よりも目的数で拡張性が高い。
  論文  参考訳（メタデータ） (2025-03-16T11:05:51Z)
• Scalable Bayesian Optimization via Focalized Sparse Gaussian Processes [8.40647440727154]
  我々は,より効率的な表現力を検索空間の関連領域に割り当てることのできる,疎いGPを用いたベイズ最適化アルゴリズムについて論じる。 本研究では,FocalBOが大量のオフラインおよびオンラインデータを効率よく活用し,ロボット形態学設計における最先端性能と585次元筋骨格系を制御できることを示す。
  論文  参考訳（メタデータ） (2024-12-29T06:36:15Z)
• Federated Conditional Stochastic Optimization [110.513884892319]
  条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。 本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-04T01:47:37Z)
• 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)
• Sample-efficient Multi-objective Molecular Optimization with GFlowNets [5.030493242666028]
  ハイパーネットワークに基づくGFlowNets(HN-GFN)を利用した多目的ベイズ最適化(MOBO)アルゴリズムを提案する。 HN-GFNは、単一の嗜好条件のハイパーネットワークを用いて、目的間の様々なトレードオフを探索することを学ぶ。 実世界の様々な環境での実験により、我々のフレームワークは、候補品質とサンプル効率の点で、既存の手法よりも圧倒的に優れていることが示された。
  論文  参考訳（メタデータ） (2023-02-08T13:30:28Z)
• An Empirical Evaluation of Zeroth-Order Optimization Methods on AI-driven Molecule Optimization [78.36413169647408]
  分子目的を最適化するための様々なZO最適化手法の有効性について検討する。 ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。 本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-10-27T01:58:10Z)
• Mixed Strategies for Robust Optimization of Unknown Objectives [93.8672371143881]
  そこでは,不確実なパラメータの最悪の実現に対して,未知の目的関数を最適化することを目的として,ロバストな最適化問題を考察する。 我々は,未知の目的をノイズ点評価から逐次学習する,新しいサンプル効率アルゴリズムGP-MROを設計する。 GP-MROは、最悪のケースで期待される目標値を最大化する、堅牢でランダムな混合戦略の発見を目指している。
  論文  参考訳（メタデータ） (2020-02-28T09:28:17Z)

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。