論文の概要: ARCO-BO: Adaptive Resource-aware COllaborative Bayesian Optimization for Heterogeneous Multi-Agent Design
- arxiv url: http://arxiv.org/abs/2510.16652v1
- Date: Sat, 18 Oct 2025 22:06:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 00:56:39.081616
- Title: ARCO-BO: Adaptive Resource-aware COllaborative Bayesian Optimization for Heterogeneous Multi-Agent Design
- Title（参考訳）: ARCO-BO:異種多エージェント設計のための適応的資源対応協調ベイズ最適化
- Authors: Zihan Wang, Yi-Ping Chen, Tuba Dolar, Wei Chen,
- Abstract要約: 適応資源認識協調ベイズ最適化(ARCO-BO)を導入する。
ARCO-BOはマルチエージェント最適化における不均一性を明示的に説明している。
合成および高次元工学的問題に対する実験により、ARCO-BOは独立BOより一貫して優れていた。
- 参考スコア（独自算出の注目度）: 17.623641273672337
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern scientific and engineering design increasingly involves distributed optimization, where agents such as laboratories, simulations, or industrial partners pursue related goals under differing conditions. These agents often face heterogeneities in objectives, evaluation budgets, and accessible design variables, which complicates coordination and can lead to redundancy, poor resource use, and ineffective information sharing. Bayesian Optimization (BO) is a widely used decision-making framework for expensive black box functions, but its single-agent formulation assumes centralized control and full data sharing. Recent collaborative BO methods relax these assumptions, yet they often require uniform resources, fully shared input spaces, and fixed task alignment, conditions rarely satisfied in practice. To address these challenges, we introduce Adaptive Resource Aware Collaborative Bayesian Optimization (ARCO-BO), a framework that explicitly accounts for heterogeneity in multi-agent optimization. ARCO-BO combines three components: a similarity and optima-aware consensus mechanism for adaptive information sharing, a budget-aware asynchronous sampling strategy for resource coordination, and a partial input space sharing for heterogeneous design spaces. Experiments on synthetic and high-dimensional engineering problems show that ARCO-BO consistently outperforms independent BO and existing collaborative BO via consensus approach, achieving robust and efficient performance in complex multi-agent settings.
- Abstract（参考訳）: 現代の科学的・工学的な設計は、研究、シミュレーション、産業パートナーといったエージェントが異なる条件下で関連目標を追求する分散最適化をますます含んでいる。
これらのエージェントは、目的、評価予算、アクセス可能な設計変数の不均一性に直面し、コーディネーションを複雑化し、冗長性、リソース使用の低さ、情報共有の非効率につながる可能性がある。
Bayesian Optimization (BO) は高価なブラックボックス機能のための意思決定フレームワークとして広く使われているが、単一エージェントの定式化は集中制御と完全なデータ共有を前提としている。
最近の協調型BO法はこれらの仮定を緩和するが、一様資源、完全に共有された入力空間、固定されたタスクアライメントを必要とすることが多い。
これらの課題に対処するため,多エージェント最適化における異種性を明確に説明するフレームワークであるARCO-BO(Adaptive Resource Aware Collaborative Bayesian Optimization)を導入する。
ARCO-BOは、適応情報共有のための類似性と最適認識のコンセンサス機構、リソース調整のための予算対応非同期サンプリング戦略、異種設計空間のための部分入力空間共有という3つのコンポーネントを組み合わせる。
合成および高次元工学的問題に対する実験により、ARCO-BOは独立BOと既存の協調BOをコンセンサスアプローチで一貫して上回り、複雑なマルチエージェント環境で堅牢で効率的な性能を達成することが示されている。
関連論文リスト
- Closing the Loop: Coordinating Inventory and Recommendation via Deep Reinforcement Learning on Multiple Timescales [6.5434300333872875]
本稿では,機能モジュール間の共同最適化に適した統合マルチエージェントRLフレームワークを提案する。
まず,これらの関数間の相互作用を捉えるための統合理論モデルを構築した。
次に、ポリシーコンポーネントを部門機能に応じて分解する、新しいマルチタイムマルチエージェントRLアーキテクチャを設計する。
論文 参考訳（メタデータ） (2025-10-05T16:28:06Z) - Pareto Actor-Critic for Communication and Computation Co-Optimization in Non-Cooperative Federated Learning Services [18.291028557265864]
ゲーム理論によるマルチエージェント強化学習(MARL)フレームワークであるPAC-MCoFLを導入する。
PAC-MCoFL-p はパラメータ化予測生成器を特徴とするスケーラブルな変種であり,有界な誤差で計算複雑性を著しく低減する。
論文 参考訳（メタデータ） (2025-08-22T02:09:48Z) - LLM4CMO: Large Language Model-aided Algorithm Design for Constrained Multiobjective Optimization [54.83882149157548]
大規模言語モデル(LLM)は、アルゴリズム設計を支援する新しい機会を提供する。
LLM4CMOは,2つの人口構成をもつ2段階のフレームワークをベースとした新しいCMOEAである。
LLMは複雑な進化最適化アルゴリズムの開発において効率的な共同設計者として機能する。
論文 参考訳（メタデータ） (2025-08-16T02:00:57Z) - Collaborative Bayesian Optimization via Wasserstein Barycenters [11.41081495236219]
我々は,ブラックボックス最適化とデータプライバシ問題に対処する協調ベイズ最適化(BO)フレームワークを導入する。
このフレームワークでは、エージェントはオラクルしかアクセスできない機能を最適化するために協力して働く。
我々は,提案アルゴリズムが数値的に一貫したものであり,モンテカルロ法による実装が正確であることを証明した。
論文 参考訳（メタデータ） (2025-04-15T00:15:09Z) - Collab: Controlled Decoding using Mixture of Agents for LLM Alignment [90.6117569025754]
人間のフィードバックからの強化学習は、大規模言語モデルを整合させる効果的な手法として現れてきた。
制御された復号化は、再訓練せずに推論時にモデルを整列するメカニズムを提供する。
本稿では,既存の既成のLCMポリシを活用するエージェントベースのデコーディング戦略の混合を提案する。
論文 参考訳（メタデータ） (2025-03-27T17:34:25Z) - Capability-Aware Shared Hypernetworks for Flexible Heterogeneous Multi-Robot Coordination [1.5970870882365]
マルチロボットチームのための能力認識共有ハイパーネットワークス(CASH)を提案する。
CASHは、ハイパーネットワークを使用してフレキシブルな共有ポリシを効率的に学習する、ソフトウェイト共有アーキテクチャである。
トレーニングとゼロショットの一般化の両方において、CASHは性能とサンプル効率の点で、ベースラインアーキテクチャを一貫して上回っていることを示す。
論文 参考訳（メタデータ） (2025-01-10T15:39:39Z) - 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) - Serverless Federated AUPRC Optimization for Multi-Party Collaborative
Imbalanced Data Mining [119.89373423433804]
有効指標としてAUPRC(Area Under Precision-Recall)を導入した。
サーバーレスのマルチパーティ共同トレーニングは、サーバーノードのボトルネックを避けることで通信コストを削減できる。
本稿では,AUPRCを直接最適化する ServerLess biAsed sTochastic gradiEnt (SLATE) アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-08-06T06:51:32Z) - 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) - Accelerated Federated Learning with Decoupled Adaptive Optimization [53.230515878096426]
フェデレートドラーニング(FL)フレームワークは、クライアント上のトレーニングデータのプライバシを維持しながら、共有モデルを協調的に学習することを可能にする。
近年,SGDM,Adam,AdaGradなどの集中型適応最適化手法をフェデレートした設定に一般化するためのイテレーションが多数実施されている。
本研究は、常微分方程式(ODE)のダイナミクスの観点から、FLの新しい適応最適化手法を開発することを目的としている。
論文 参考訳（メタデータ） (2022-07-14T22:46:43Z)
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。