論文の概要: Multi-level informed optimization via decomposed Kriging for large design problems under uncertainty

• arxiv url: http://arxiv.org/abs/2510.07904v1
• Date: Thu, 09 Oct 2025 07:59:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.942852
• Title: Multi-level informed optimization via decomposed Kriging for large design problems under uncertainty
• Title（参考訳）: 不確実性下における大規模設計問題に対する分解Krigingによる多レベルインフォメーション最適化
• Authors: Enrico Ampellio, Blazhe Gjorgiev, Giovanni Sansavini,
• Abstract要約: 最先端技術では、不確実性の定量化と設計最適化という2つのステップを採用して、不確実性のあるシステムの最適化を行っている。 ここでは,資源集約性,高次元性,複雑な工学的問題を最小限の資源で不確実性の下で正確に最適化する多レベル手法を提案する。 提案手法は, 解析テストベッドによる最先端技術と比較し, 桁違いに高速かつ高精度であることが確認された。
• 参考スコア（独自算出の注目度）: 2.141079906482723
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Engineering design involves demanding models encompassing many decision variables and uncontrollable parameters. In addition, unavoidable aleatoric and epistemic uncertainties can be very impactful and add further complexity. The state-of-the-art adopts two steps, uncertainty quantification and design optimization, to optimize systems under uncertainty by means of robust or stochastic metrics. However, conventional scenario-based, surrogate-assisted, and mathematical programming methods are not sufficiently scalable to be affordable and precise in large and complex cases. Here, a multi-level approach is proposed to accurately optimize resource-intensive, high-dimensional, and complex engineering problems under uncertainty with minimal resources. A non-intrusive, fast-scaling, Kriging-based surrogate is developed to map the combined design/parameter domain efficiently. Multiple surrogates are adaptively updated by hierarchical and orthogonal decomposition to leverage the fewer and most uncertainty-informed data. The proposed method is statistically compared to the state-of-the-art via an analytical testbed and is shown to be concurrently faster and more accurate by orders of magnitude.
• Abstract（参考訳）: エンジニアリング設計には、多くの決定変数と制御不能なパラメータを含むモデルを要求することが含まれる。 さらに、避けられない動脈とてんかんの不確実性は、非常に影響を受け、さらに複雑さを増す可能性がある。 最先端技術では、不確実性定量化と設計最適化という2つのステップを採用し、ロバストなメトリクスや確率的なメトリクスによって不確実性の下でシステムを最適化する。 しかし、従来のシナリオベース、サロゲート支援、数学的プログラミング手法は、大規模かつ複雑なケースでは、手頃な価格で正確であるには十分ではない。 ここでは,資源集約性,高次元性,複雑な工学的問題を最小限の資源で不確実性の下で正確に最適化する多レベル手法を提案する。 非侵襲的で高速なスケーリングを行うKrigingベースのサロゲートを開発し、組み合わせた設計/パラメータ領域を効率的にマッピングする。 複数のサロゲートは階層的および直交的な分解によって適応的に更新され、少ない、最も不確実なインフォームドデータを活用する。 提案手法は, 解析テストベッドによる最先端技術と比較し, 桁違いに高速かつ高精度であることが確認された。

関連論文リスト

• Formal Control for Uncertain Systems via Contract-Based Probabilistic Surrogates (Extended Version) [1.474723404975345]
  我々は,複雑な非線形エージェント環境相互作用に対処しながら,高次元に効果的にスケールする抽象的手法を提案する。 我々のアプローチは、複雑な高次元の車両交差点で示されるように、保守主義のスケーラビリティを好意的に交換する。
  論文  参考訳（メタデータ） (2025-06-20T13:00:50Z)
• Bayesian optimization for mixed variables using an adaptive dimension reduction process: applications to aircraft design [0.5420492913071214]
  多分野設計最適化手法は、複数の分野を含む工学系の設計に数値最適化手法を適用することを目的としている。 最適化プロセス中に連続変数、整数変数、カテゴリー変数が混在し、実用的な応用には多数の設計変数が含まれる。
  論文  参考訳（メタデータ） (2025-04-11T16:43:11Z)
• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
  機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。 本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。 この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-12T16:33:35Z)
• Bayesian Quality-Diversity approaches for constrained optimization problems with mixed continuous, discrete and categorical variables [0.3626013617212667]
  シミュレーション予算の制限という観点から,混合変数に基づく新しい品質多様性手法を提案する。 提案手法は、複雑なシステム設計のための意思決定者にとって貴重なトレードオフを提供する。
  論文  参考訳（メタデータ） (2023-09-11T14:29:47Z)
• Distributionally Robust Model-based Reinforcement Learning with Large State Spaces [55.14361269378122]
  強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。 広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。 本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-05T13:42:11Z)
• The Parametric Cost Function Approximation: A new approach for multistage stochastic programming [4.847980206213335]
  決定論的最適化モデルのパラメータ化バージョンは、プログラミングや動的プログラミングの複雑さを伴わずに不確実性を扱う効果的な方法であることを示す。 このアプローチは複雑な高次元状態変数を処理でき、シナリオツリーや値関数近似に関連する通常の近似を避けることができる。
  論文  参考訳（メタデータ） (2022-01-01T23:25:09Z)
• Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
  我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。 このアプローチは多くの実装と最適化の課題をもたらします。 提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
  論文  参考訳（メタデータ） (2021-03-18T14:26:26Z)
• Offline Model-Based Optimization via Normalized Maximum Likelihood Estimation [101.22379613810881]
  データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。 この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。 我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
  論文  参考訳（メタデータ） (2021-02-16T06:04:27Z)
• Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
  未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。 最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。 我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T19:11:54Z)

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。