論文の概要: Global Optimization of Stochastic Black-Box Functions with Arbitrary Noise Distributions using Wilson Score Kernel Density Estimation

• arxiv url: http://arxiv.org/abs/2509.09238v1
• Date: Thu, 11 Sep 2025 08:20:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.28873
• Title: Global Optimization of Stochastic Black-Box Functions with Arbitrary Noise Distributions using Wilson Score Kernel Density Estimation
• Title（参考訳）: Wilson スコアカーネル密度推定を用いた任意雑音分布を持つ確率的ブラックボックス関数の大域的最適化
• Authors: Thorbjørn Mosekjær Iversen, Lars Carøe Sørensen, Simon Faarvang Mathiesen, Henrik Gordon Petersen,
• Abstract要約: Wilson Kernel Density Estimator (WSKDE) によって提供される信頼境界は、任意の関数に対して優れた境界として適用可能である。 この発見は、より広範囲のコスト関数に対する安定したグローバル最適化にWSKDEの使用を開放する。
• 参考スコア（独自算出の注目度）: 3.9478538038040054
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many optimization problems in robotics involve the optimization of time-expensive black-box functions, such as those involving complex simulations or evaluation of real-world experiments. Furthermore, these functions are often stochastic as repeated experiments are subject to unmeasurable disturbances. Bayesian optimization can be used to optimize such methods in an efficient manner by deploying a probabilistic function estimator to estimate with a given confidence so that regions of the search space can be pruned away. Consequently, the success of the Bayesian optimization depends on the function estimator's ability to provide informative confidence bounds. Existing function estimators require many function evaluations to infer the underlying confidence or depend on modeling of the disturbances. In this paper, it is shown that the confidence bounds provided by the Wilson Score Kernel Density Estimator (WS-KDE) are applicable as excellent bounds to any stochastic function with an output confined to the closed interval [0;1] regardless of the distribution of the output. This finding opens up the use of WS-KDE for stable global optimization on a wider range of cost functions. The properties of WS-KDE in the context of Bayesian optimization are demonstrated in simulation and applied to the problem of automated trap design for vibrational part feeders.
• Abstract（参考訳）: ロボット工学における多くの最適化問題は、複雑なシミュレーションや実世界の実験の評価など、時間を要するブラックボックス関数の最適化を含む。 さらに、これらの関数はしばしば確率的であり、繰り返しの実験は測定不能な乱れにさらされる。 ベイズ最適化は、確率関数推定器を配置して、与えられた信頼度で推定し、探索空間の領域を切り離すことができるようにすることで、そのような手法を効率的に最適化することができる。 その結果、ベイズ最適化の成功は、情報的信頼境界を提供する関数推定器の能力に依存する。 既存の関数推定器は、基礎となる信頼度を推測したり、乱れのモデル化に依存するために、多くの関数評価を必要とする。 本稿では,Wilson Score Kernel density Estimator (WS-KDE) によって提供される信頼境界が,出力の分布に関係なく,閉区間 [0;1] に制限された出力を持つ任意の確率関数に対して優れた境界として適用可能であることを示す。 この発見は、より広範囲のコスト関数に対する安定したグローバル最適化にWS-KDEの使用を開放する。 ベイズ最適化の文脈におけるWS-KDEの特性をシミュレーションで示し,振動部品供給装置の自動トラップ設計問題に適用した。

関連論文リスト

• Information-theoretic Bayesian Optimization: Survey and Tutorial [2.3931689873603603]
  本稿では,情報理論的獲得関数について述べる。 また,情報理論の獲得関数を,多目的,制約付き,非明視的,多面的,並列,非同期といった複雑な最適化シナリオに適応させる方法について述べる。
  論文  参考訳（メタデータ） (2025-01-22T10:54:15Z)
• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
  ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。 カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。 我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-09T03:55:09Z)
• Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
  実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。 本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
  論文  参考訳（メタデータ） (2023-06-13T01:18:16Z)
• Promises and Pitfalls of the Linearized Laplace in Bayesian Optimization [73.80101701431103]
  線形化ラプラス近似(LLA)はベイズニューラルネットワークの構築に有効で効率的であることが示されている。 ベイズ最適化におけるLLAの有用性について検討し,その性能と柔軟性を強調した。
  論文  参考訳（メタデータ） (2023-04-17T14:23:43Z)
• Robust Bayesian Target Value Optimization [6.606745253604263]
  我々は,ブラックボックス関数の出力が期待される2乗誤差の意味で,目標値に可能な限り近いようなブラックボックス関数への入力を求める問題を考察する。 我々は、期待される改善、改善の確率、低い信頼境界といった共通の基準に対して、アレター効果が既知の分散を持つガウス的であることを仮定して、取得関数を導出する。
  論文  参考訳（メタデータ） (2023-01-11T07:44:59Z)
• Approximate Bayesian Optimisation for Neural Networks [6.921210544516486]
  モデル選択の重要性を強調するために、機械学習アルゴリズムを自動化するための一連の作業が行われた。 理想主義的な方法で解析的トラクタビリティと計算可能性を解決する必要性は、効率と適用性を確保することを可能にしている。
  論文  参考訳（メタデータ） (2021-08-27T19:03:32Z)
• Bayesian Optimization of Risk Measures [7.799648230758491]
  我々は、$rho[F(x, W) ]$ という形の目的関数のベイズ最適化を考える。 目的関数の構造を利用してサンプリング効率を大幅に向上する新しいベイズ最適化アルゴリズム群を提案する。
  論文  参考訳（メタデータ） (2020-07-10T18:20:46Z)
• Composition of kernel and acquisition functions for High Dimensional Bayesian Optimization [0.1749935196721634]
  目的関数の追加性を用いて、ベイズ最適化のカーネルと取得関数の両方をマッピングする。 このap-proachは確率的代理モデルの学習/更新をより効率的にする。 都市給水システムにおけるポンプの制御を実運用に適用するための結果が提示された。
  論文  参考訳（メタデータ） (2020-03-09T15:45:57Z)

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。