論文の概要: MOBO-OSD: Batch Multi-Objective Bayesian Optimization via Orthogonal Search Directions

• arxiv url: http://arxiv.org/abs/2510.20872v1
• Date: Thu, 23 Oct 2025 09:42:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 09:00:15.278105
• Title: MOBO-OSD: Batch Multi-Objective Bayesian Optimization via Orthogonal Search Directions
• Title（参考訳）: MOBO-OSD:直交探索方向による多目的ベイズ最適化
• Authors: Lam Ngo, Huong Ha, Jeffrey Chan, Hongyu Zhang,
• Abstract要約: MOBO-OSDは多様な最適解を生成するために設計された多目的ベイズ最適化アルゴリズムである。 OSDの分散化によってMOBO-OSDは、目的空間を広範囲にカバーし、ソリューションの多様性とハイパーボリュームのパフォーマンスを向上する。 我々はMOBO-OSDが最先端のアルゴリズムより一貫して優れていることを示す。
• 参考スコア（独自算出の注目度）: 14.595244541373456
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian Optimization (BO) is a powerful tool for optimizing expensive black-box objective functions. While extensive research has been conducted on the single-objective optimization problem, the multi-objective optimization problem remains challenging. In this paper, we propose MOBO-OSD, a multi-objective Bayesian Optimization algorithm designed to generate a diverse set of Pareto optimal solutions by solving multiple constrained optimization problems, referred to as MOBO-OSD subproblems, along orthogonal search directions (OSDs) defined with respect to an approximated convex hull of individual objective minima. By employing a well-distributed set of OSDs, MOBO-OSD ensures broad coverage of the objective space, enhancing both solution diversity and hypervolume performance. To further improve the density of the set of Pareto optimal candidate solutions without requiring an excessive number of subproblems, we leverage a Pareto Front Estimation technique to generate additional solutions in the neighborhood of existing solutions. Additionally, MOBO-OSD supports batch optimization, enabling parallel function evaluations to accelerate the optimization process when resources are available. Through extensive experiments and analysis on a variety of synthetic and real-world benchmark functions with two to six objectives, we demonstrate that MOBO-OSD consistently outperforms the state-of-the-art algorithms. Our code implementation can be found at https://github.com/LamNgo1/mobo-osd.
• Abstract（参考訳）: ベイズ最適化(BO)は高価なブラックボックス目的関数を最適化するための強力なツールである。 単目的最適化問題について広範な研究が行われてきたが、多目的最適化問題は依然として困難である。 本稿では,多目的ベイズ最適化アルゴリズムMOBO-OSDを提案する。MOBO-OSDサブプロブレム(MOBO-OSD subproblems)と呼ばれる複数の制約付き最適化問題を,個別目的最小値の近似凸船体に対して定義された直交探索方向(OSDs)に沿って解くことで,多目的ベイズ最適化アルゴリズムである。 OSDの分散化によってMOBO-OSDは、目的空間を広範囲にカバーし、ソリューションの多様性とハイパーボリュームのパフォーマンスを向上する。 過剰な数のサブプロブレムを必要とせずに,パレート最適候補解の集合の密度をさらに高めるために,パレートフロント推定法を用いて既存解の近傍で新たな解を生成する。 さらに、MOBO-OSDはバッチ最適化をサポートしており、リソースが利用可能であれば並列関数評価によって最適化プロセスを高速化することができる。 2～6つの目的を持つ様々な合成および実世界のベンチマーク関数に関する広範な実験と分析を通じて、MOBO-OSDが最先端のアルゴリズムより一貫して優れていることを示す。 コードの実装はhttps://github.com/LamNgo1/mobo-osd.comで確認できます。

関連論文リスト

• Scalable Min-Max Optimization via Primal-Dual Exact Pareto Optimization [66.51747366239299]
  拡張ラグランジアンに基づくmin-max問題のスムーズな変種を提案する。 提案アルゴリズムは, 段階的戦略よりも目的数で拡張性が高い。
  論文  参考訳（メタデータ） (2025-03-16T11:05:51Z)
• Learning Multiple Initial Solutions to Optimization Problems [52.9380464408756]
  厳密なランタイム制約の下で、同様の最適化問題を順次解決することは、多くのアプリケーションにとって不可欠である。 本稿では,問題インスタンスを定義するパラメータが与えられた初期解を多種多様に予測する学習を提案する。 提案手法は,すべての評価設定において有意かつ一貫した改善を実現し,必要な初期解の数に応じて効率よくスケールできることを実証した。
  論文  参考訳（メタデータ） (2024-11-04T15:17:19Z)
• Few for Many: Tchebycheff Set Scalarization for Many-Objective Optimization [14.355588194787073]
  多目的最適化は、競合する目的を1つのソリューションで最適化できない現実の多くのアプリケーションで見られる。 本稿では,多数の目的をカバーできるいくつかの代表解を見つけるために,新しいTchebycheff集合スカラー化法を提案する。 このようにして、それぞれの目的は、小さな解集合の少なくとも1つの解によってうまく対応できる。
  論文  参考訳（メタデータ） (2024-05-30T03:04:57Z)
• Multi-Objective Bayesian Optimization with Active Preference Learning [18.066263838953223]
  本稿では,多目的最適化 (MOO) 問題において最も望ましい解を特定するためのベイズ最適化 (BO) 手法を提案する。 また、意思決定者(DM)との相互作用コストを最小限に抑えるため、選好推定のためのアクティブラーニング戦略を提案する。
  論文  参考訳（メタデータ） (2023-11-22T15:24:36Z)
• Large Language Models as Optimizers [106.52386531624532]
  本稿では,大規模言語モデル (LLM) をプロンプトとして活用するためのシンプルで効果的な手法である Prompting (OPRO) を提案する。 各最適化ステップにおいて、LLMは、前述した値を含むプロンプトから新しい解を生成する。 OPROにより最適化された最良のプロンプトは、GSM8Kで最大8%、Big-Bench Hardタスクで最大50%向上することを示した。
  論文  参考訳（メタデータ） (2023-09-07T00:07:15Z)
• 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)
• A Study of Scalarisation Techniques for Multi-Objective QUBO Solving [0.0]
  量子および量子に着想を得た最適化アルゴリズムは、学術ベンチマークや実世界の問題に適用した場合に有望な性能を示す。 しかし、QUBOソルバは単目的解法であり、複数の目的による問題の解法をより効率的にするためには、そのような多目的問題を単目的問題に変換する方法を決定する必要がある。
  論文  参考訳（メタデータ） (2022-10-20T14:54:37Z)
• Enhanced Opposition Differential Evolution Algorithm for Multimodal Optimization [0.2538209532048866]
  現実の問題は、本質的には複数の最適値からなるマルチモーダルである。 古典的な勾配に基づく手法は、目的関数が不連続あるいは微分不可能な最適化問題に対して失敗する。 我々は,MMOPを解くために,拡張オポポジション微分進化(EODE)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-23T16:18:27Z)

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。