論文の概要: NOSTRA: A noise-resilient and sparse data framework for trust region based multi objective Bayesian optimization

• arxiv url: http://arxiv.org/abs/2508.16476v1
• Date: Fri, 22 Aug 2025 15:43:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.434293
• Title: NOSTRA: A noise-resilient and sparse data framework for trust region based multi objective Bayesian optimization
• Title（参考訳）: NOSTRA:信頼領域に基づく多目的ベイズ最適化のためのノイズ耐性・スパースデータフレームワーク
• Authors: Maryam Ghasemzadeh, Anton van Beek,
• Abstract要約: NOSTRAは、実験的な不確実性に関する事前の知識を統合し、より正確なサロゲートモデルを構築する新しいサンプリングフレームワークである。 NOSTRAは、ノイズ、スパース、および不足データを扱う既存の手法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-objective Bayesian optimization (MOBO) struggles with sparse (non-space-filling), scarce (limited observations) datasets affected by experimental uncertainty, where identical inputs can yield varying outputs. These challenges are common in physical and simulation experiments (e.g., randomized medical trials and, molecular dynamics simulations) and are therefore incompatible with conventional MOBO methods. As a result, experimental resources are inefficiently allocated, leading to suboptimal designs. To address this challenge, we introduce NOSTRA (Noisy and Sparse Data Trust Region-based Optimization Algorithm), a novel sampling framework that integrates prior knowledge of experimental uncertainty to construct more accurate surrogate models while employing trust regions to focus sampling on promising areas of the design space. By strategically leveraging prior information and refining search regions, NOSTRA accelerates convergence to the Pareto frontier, enhances data efficiency, and improves solution quality. Through two test functions with varying levels of experimental uncertainty, we demonstrate that NOSTRA outperforms existing methods in handling noisy, sparse, and scarce data. Specifically, we illustrate that, NOSTRA effectively prioritizes regions where samples enhance the accuracy of the identified Pareto frontier, offering a resource-efficient algorithm that is practical in scenarios with limited experimental budgets while ensuring efficient performance.
• Abstract（参考訳）: マルチオブジェクトベイズ最適化(MOBO)は、実験的な不確実性によって影響を受けるスパース(非空間充填)、不足(限られた観測)データセットに苦しむ。 これらの課題は、物理およびシミュレーション実験(例えば、ランダム化医療実験、分子動力学シミュレーション)で一般的であり、従って従来のMOBO法とは相容れない。 その結果、実験資源は非効率に配分され、最適以下の設計に繋がる。 この課題に対処するために,NOSTRA (Noisy and Sparse Data Trust Region-based Optimization Algorithm) を導入し,実験的な不確実性に関する事前の知識を統合し,より正確なサロゲートモデルを構築するとともに,信頼性領域を用いて,設計領域の有望な領域にサンプリングを集中させる新しいサンプリングフレームワークを提案する。 NOSTRAは、事前情報を戦略的に活用し、検索領域を精錬することにより、パレートフロンティアへの収束を加速し、データの効率を高め、ソリューションの品質を向上させる。 実験的な不確実性のレベルが異なる2つのテスト関数を通して、NOSTRAはノイズ、スパース、および不足データを扱う既存の手法より優れていることを示す。 具体的には、NOSTRAは、サンプルが特定されたパレートフロンティアの精度を高める領域を効果的に優先順位付けし、限られた実験予算を持つシナリオで実用的な資源効率のアルゴリズムを提供する。

関連論文リスト

• Accelerated Bayesian Optimal Experimental Design via Conditional Density Estimation and Informative Data [0.4178382980763478]
  実験設計 (Design of Experiments, DOEs) は、実験結果の妥当性、信頼性、効率を高めるための体系的な原則と技法を研究者に提供する基本的な科学的方法論である。 本研究では,ベイズ定理を用いてベイズフレームワーク内の最適実験設計を探索し,実用性期待を再構築する。
  論文  参考訳（メタデータ） (2025-07-21T04:41:05Z)
• Efficient and Scalable Estimation of Distributional Treatment Effects with Multi-Task Neural Networks [5.895315872876525]
  ランダム化実験における分散処理効果を推定するための新しいマルチタスクニューラルネットワーク手法を提案する。 本手法は,米国における水消費削減を目的としたランダムフィールド実験や,日本の大手ストリーミングプラットフォームによる大規模A/Bテストなど,シミュレーションと実世界の両方のデータセットに適用する。
  論文  参考訳（メタデータ） (2025-07-10T13:16:33Z)
• A Trust-Region Method for Graphical Stein Variational Inference [3.5516599670943774]
  スタイン変分法 (SVI) は、サンプル位置を情報理論尺度に共同最適化してサンプルセットを生成するサンプルベースの近似推論手法である。 本稿では,これらの課題に対処する新しい信頼条件付きアプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-21T16:59:01Z)
• Embedding Trajectory for Out-of-Distribution Detection in Mathematical Reasoning [50.84938730450622]
  数理推論におけるOOD検出にトラジェクトリボラティリティを用いたトラジェクトリベースのTVスコアを提案する。 本手法は, 数学的推論シナリオ下でのGLM上での従来のアルゴリズムよりも優れる。 提案手法は,複数選択質問などの出力空間における高密度特徴を持つアプリケーションに拡張することができる。
  論文  参考訳（メタデータ） (2024-05-22T22:22:25Z)
• Deep Gaussian Covariance Network with Trajectory Sampling for Data-Efficient Policy Search [0.0]
  確率的世界モデルはモデルベース強化学習(MBRL)のデータ効率を向上させる 我々は,MBRL問題に対するデータ効率のよい解として,軌道サンプリングと深いガウス共分散ネットワーク(DGCN)を組み合わせることを提案する。 本研究では,4つのよく知られた実験環境を用いて,不確実性伝播法と確率モデルの組み合わせによるサンプル効率を向上する実験的なエビデンスを提案する。
  論文  参考訳（メタデータ） (2024-03-23T18:42:22Z)
• Privacy-preserving Federated Primal-dual Learning for Non-convex and Non-smooth Problems with Model Sparsification [51.04894019092156]
  FL(Federated Learning)は,FLオーケストレーション(PS)の下でクライアント上でモデルをトレーニングする,急速に成長する領域として認識されている。 本稿では,非滑らかなFL問題に対して,新しい一次分離アルゴリズムを提案し,保証する。 その独特な洞察力のある性質とその分析も提示される。
  論文  参考訳（メタデータ） (2023-10-30T14:15:47Z)
• Task-specific experimental design for treatment effect estimation [59.879567967089145]
  因果推論の標準は大規模ランダム化試験(RCT)である。 近年の研究では、RCTのよりサンプル効率の良い代替案が提案されているが、これらは因果効果を求める下流の応用には適用できない。 実験的な設計のためのタスク固有のアプローチを開発し、特定の下流アプリケーションにカスタマイズされたサンプリング戦略を導出する。
  論文  参考訳（メタデータ） (2023-06-08T18:10:37Z)
• Uncovering Challenges of Solving the Continuous Gromov-Wasserstein Problem [63.99794069984492]
  グロモフ=ワッサーシュタイン最適輸送(Gromov-Wasserstein Optimal Transport, GWOT)問題は、MLコミュニティの特別な関心を集めている。 既存の連続GWOTアプローチをさまざまなシナリオでクラッシュテストし、結果を注意深く記録し分析し、問題を特定します。 本稿では,離散的手法に依存しない新たな連続GWOT法を提案し,競合の問題を部分的に解決する。
  論文  参考訳（メタデータ） (2023-03-10T15:21:12Z)
• Demarcating Endogenous and Exogenous Opinion Dynamics: An Experimental Design Approach [27.975266406080152]
  本稿では,実験的な設計手法に基づく教師なし分類手法のスイートを設計する。 平均推定誤差の異なる測度を最小化するイベントのサブセットを選択することを目的としている。 我々の実験は、不衛生事象や衛生事象に対する予測性能の検証から、様々な大きさの最適なサブセットを選択する効果の検証まで多岐にわたる。
  論文  参考訳（メタデータ） (2021-02-11T11:38:15Z)

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。