論文の概要: BONSAI: Structure-exploiting robust Bayesian optimization for networked black-box systems under uncertainty

• arxiv url: http://arxiv.org/abs/2510.03893v1
• Date: Sat, 04 Oct 2025 18:16:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.32385
• Title: BONSAI: Structure-exploiting robust Bayesian optimization for networked black-box systems under uncertainty
• Title（参考訳）: BONSAI:不確実性下におけるネットワーク化されたブラックボックスシステムに対する構造探索頑健なベイズ最適化
• Authors: Akshay Kudva, Joel A. Paulson,
• Abstract要約: シミュレーションベースモデルで一般的な部分構造的知識を活用する新しいRBOフレームワークであるBONSAIを紹介する。 既存のシミュレーションベースのROアルゴリズムと比較して、BONSAIはよりサンプリング効率が高く、高品質なロバストなソリューションを一貫して提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optimal design under uncertainty remains a fundamental challenge in advancing reliable, next-generation process systems. Robust optimization (RO) offers a principled approach by safeguarding against worst-case scenarios across a range of uncertain parameters. However, traditional RO methods typically require known problem structure, which limits their applicability to high-fidelity simulation environments. To overcome these limitations, recent work has explored robust Bayesian optimization (RBO) as a flexible alternative that can accommodate expensive, black-box objectives. Existing RBO methods, however, generally ignore available structural information and struggle to scale to high-dimensional settings. In this work, we introduce BONSAI (Bayesian Optimization of Network Systems under uncertAInty), a new RBO framework that leverages partial structural knowledge commonly available in simulation-based models. Instead of treating the objective as a monolithic black box, BONSAI represents it as a directed graph of interconnected white- and black-box components, allowing the algorithm to utilize intermediate information within the optimization process. We further propose a scalable Thompson sampling-based acquisition function tailored to the structured RO setting, which can be efficiently optimized using gradient-based methods. We evaluate BONSAI across a diverse set of synthetic and real-world case studies, including applications in process systems engineering. Compared to existing simulation-based RO algorithms, BONSAI consistently delivers more sample-efficient and higher-quality robust solutions, highlighting its practical advantages for uncertainty-aware design in complex engineering systems.
• Abstract（参考訳）: 不確実性の下での最適設計は、信頼性の高い次世代プロセスシステムを進化させるための根本的な課題である。 ロバスト最適化(RO)は、不確実なパラメータの範囲で最悪のシナリオを保護し、原則化されたアプローチを提供する。 しかし、従来のRO法は一般に既知の問題構造を必要とするため、高忠実度シミュレーション環境への適用性が制限される。 これらの制限を克服するために、最近の研究は、高価なブラックボックスの目的を満たす柔軟な代替手段として、堅牢なベイズ最適化(RBO)を探求してきた。 しかし、既存のRBO法は一般に利用可能な構造情報を無視し、高次元設定にスケールするのに苦労する。 本稿では,シミュレーションベースモデルで一般的な部分構造知識を活用する新しいRBOフレームワークであるBONSAI(Bayesian Optimization of Network Systems under uncertAInty)を紹介する。 目的をモノリシックなブラックボックスとして扱う代わりに、BONSAIは相互接続されたホワイトボックスとブラックボックスコンポーネントの有向グラフとして表現し、アルゴリズムは最適化プロセス内で中間情報を利用することができる。 さらに、勾配法を用いて効率的に最適化できる構造化RO設定に合わせて、スケーラブルなトンプソンサンプリングベースの取得関数を提案する。 我々はBONSAIを、プロセスシステム工学の応用を含む、多種多様な合成および実世界のケーススタディで評価する。 既存のシミュレーションベースのROアルゴリズムと比較して、BONSAIはよりサンプリング効率が高く高品質なロバストなソリューションを一貫して提供し、複雑なエンジニアリングシステムにおける不確実性を考慮した設計に対する実用上の利点を強調している。

関連論文リスト

• Reinforced In-Context Black-Box Optimization [64.25546325063272]
  RIBBOは、オフラインデータからエンドツーエンドでBBOアルゴリズムを強化学習する手法である。 RIBBOは、複数の動作アルゴリズムとタスクによって生成される最適化履歴を学習するために、表現的なシーケンスモデルを使用している。 提案手法の中心となるのは,テキストレグレット・ツー・ゴートークンによる最適化履歴の増大である。
  論文  参考訳（メタデータ） (2024-02-27T11:32:14Z)
• Large Language Models to Enhance Bayesian Optimization [57.474613739645605]
  本稿では,大規模言語モデル(LLM)の能力をベイズ最適化に組み込む新しいアプローチであるLLAMBOを提案する。 高いレベルでは、自然言語のBO問題を枠組み化し、LLMが歴史的評価に照らした有望な解を反復的に提案し、評価することを可能にする。 以上の結果から,LLAMBOはゼロショットウォームスタートに有効であり,サロゲートモデリングや候補サンプリングの促進,特に観察が不十分な場合の探索の初期段階において有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-02-06T11:44:06Z)
• Learning Regions of Interest for Bayesian Optimization with Adaptive Level-Set Estimation [84.0621253654014]
  本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。 理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
  論文  参考訳（メタデータ） (2023-07-25T09:45:47Z)
• Scalable Bayesian optimization with high-dimensional outputs using randomized prior networks [3.0468934705223774]
  本稿では,確率化された先行するニューラルネットワークの自己ストラップ型アンサンブルに基づくBOとシーケンシャル意思決定のためのディープラーニングフレームワークを提案する。 提案手法は,高次元ベクトル空間や無限次元関数空間の値を取る場合においても,設計変数と関心量の関数的関係を近似することができることを示す。 提案手法をBOの最先端手法に対して検証し,高次元出力の課題に対して優れた性能を示す。
  論文  参考訳（メタデータ） (2023-02-14T18:55:21Z)
• Tree ensemble kernels for Bayesian optimization with known constraints over mixed-feature spaces [54.58348769621782]
  木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。 ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。 我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-02T16:59:37Z)
• Sparse Bayesian Optimization [16.867375370457438]
  よりスパースで解釈可能な構成を発見できる正規化ベースのアプローチをいくつか提示する。 そこで本研究では,同相連続に基づく新たな微分緩和法を提案し,空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間 スパシティのために効率的に最適化できることが示されています。
  論文  参考訳（メタデータ） (2022-03-03T18:25:33Z)

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。