論文の概要: Regime-Adaptive Bayesian Optimization via Dirichlet Process Mixtures of Gaussian Processes

• arxiv url: http://arxiv.org/abs/2601.20043v1
• Date: Tue, 27 Jan 2026 20:45:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.654235
• Title: Regime-Adaptive Bayesian Optimization via Dirichlet Process Mixtures of Gaussian Processes
• Title（参考訳）: ガウス過程のディリクレ過程混合による正規適応ベイズ最適化
• Authors: Yan Zhang, Xuefeng Liu, Sipeng Chen, Sascha Ranftl, Chong Liu, Shibo Li,
• Abstract要約: RAMBOはガウス過程のディリクレプロセス混合体であり、最適化中に遅延状態を自動的に検出する。 我々は、効率的な推論のために潜在関数を解析的に極小化する、崩壊したギブスサンプリングを導出した。 我々の獲得機能は、不確実性を登録内および登録間コンポーネントに分解する。
• 参考スコア（独自算出の注目度）: 14.367563771141592
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Standard Bayesian Optimization (BO) assumes uniform smoothness across the search space an assumption violated in multi-regime problems such as molecular conformation search through distinct energy basins or drug discovery across heterogeneous molecular scaffolds. A single GP either oversmooths sharp transitions or hallucinates noise in smooth regions, yielding miscalibrated uncertainty. We propose RAMBO, a Dirichlet Process Mixture of Gaussian Processes that automatically discovers latent regimes during optimization, each modeled by an independent GP with locally-optimized hyperparameters. We derive collapsed Gibbs sampling that analytically marginalizes latent functions for efficient inference, and introduce adaptive concentration parameter scheduling for coarse-to-fine regime discovery. Our acquisition functions decompose uncertainty into intra-regime and inter-regime components. Experiments on synthetic benchmarks and real-world applications, including molecular conformer optimization, virtual screening for drug discovery, and fusion reactor design, demonstrate consistent improvements over state-of-the-art baselines on multi-regime objectives.
• Abstract（参考訳）: 標準ベイズ最適化(BO)は、探索空間全体の均一な滑らかさを、異なるエネルギー盆地を通る分子配座探索や不均一な分子足場を通る薬物発見のようなマルチレジーム問題に違反する仮定として仮定する。 1つのGPは急激な遷移を過度に抑制するか、滑らかな領域でノイズを幻覚させ、誤った不確実性をもたらす。 本稿では,ガウス過程のディリクレプロセス混合体であるRAMBOを提案し,最適化中の遅延状態を自動的に検出し,それぞれが局所最適化されたハイパーパラメータを持つ独立GPでモデル化する。 我々は、効率的な推論のために遅延関数を解析的に辺縁化するGibsサンプリングを導出し、粗大な状態発見のための適応集中パラメータースケジューリングを導入する。 我々の獲得機能は、不確実性を登録内および登録間コンポーネントに分解する。 分子コンフォメータ最適化、創薬のための仮想スクリーニング、核融合炉設計など、合成ベンチマークと実世界の応用に関する実験は、マルチレジーム目的に対する最先端のベースラインに対する一貫した改善を実証している。

関連論文リスト

• Divergence Minimization Preference Optimization for Diffusion Model Alignment [66.31417479052774]
  Divergence Minimization Preference Optimization (DMPO) は、逆KL分散を最小化して拡散モデルを整列する原理的手法である。 DMPOは、異なるベースモデルとテストセットで既存のテクニックを一貫して上回り、適合させることができる。
  論文  参考訳（メタデータ） (2025-07-10T07:57:30Z)
• Spectral Mixture Kernels for Bayesian Optimization [3.8601741392210434]
  本稿では,スペクトル混合カーネルを組み込んだガウス過程に基づく新しいBO法を提案する。 この手法は効率と最適化性能の両方において大幅に向上する。 最適な情報を得る際の情報獲得と累積的後悔の限界を提供する。
  論文  参考訳（メタデータ） (2025-05-23T02:07:26Z)
• Stochastic Optimization with Optimal Importance Sampling [49.484190237840714]
  本稿では,両者の時間的分離を必要とせずに,意思決定とIS分布を共同で更新する反復型アルゴリズムを提案する。 本手法は,IS分布系に対する目的的,軽度な仮定の凸性の下で,最小の変数分散を達成し,大域収束を保証する。
  論文  参考訳（メタデータ） (2025-04-04T16:10:18Z)
• Go With the Flow: Fast Diffusion for Gaussian Mixture Models [13.836464287004505]
  シュロディンガーブリッジ (Schrodinger Bridges, SBs) は、有限時間で操る拡散過程であり、与えられた初期分布を、適切なコスト関数を最小化する。 そこで本研究では,低次元の問題を解決するための一組の実行可能なポリシーの解析的パラメトリゼーションを提案する。 本稿では,オートエンコーダの空間における画像から潜時変換,マルチマージ運動量SBを用いた細胞動態の学習など,低次元問題におけるこのアプローチの可能性を示す。
  論文  参考訳（メタデータ） (2024-12-12T08:40:22Z)
• Semi-Implicit Functional Gradient Flow for Efficient Sampling [30.32233517392456]
  本稿では,ガウス雑音を近似系とする摂動粒子を用いた関数勾配ParVI法を提案する。 ニューラルネットワークと一致するスコアをデノナイズすることで推定できる機能的勾配流は,強い理論的収束保証を示す。 さらに,サンプリング中の適切な雑音の大きさを自動的に選択する適応バージョンを提案する。
  論文  参考訳（メタデータ） (2024-10-23T15:00:30Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Sampling with Mollified Interaction Energy Descent [57.00583139477843]
  モーフィファイド相互作用エネルギー降下(MIED)と呼ばれる新しい最適化に基づくサンプリング手法を提案する。 MIEDは、モル化相互作用エネルギー(MIE)と呼ばれる確率測度に関する新しいクラスのエネルギーを最小化する 我々は,制約のないサンプリング問題に対して,我々のアルゴリズムがSVGDのような既存の粒子ベースアルゴリズムと同等に動作することを示す。
  論文  参考訳（メタデータ） (2022-10-24T16:54:18Z)
• Bayesian Optimization over Hybrid Spaces [32.856318660282255]
  離散変数と連続変数の複雑な相互作用を正確にモデル化する新しい手法を提案する。 我々は,加法的カーネルの定式化を利用して,ハイブリッド空間上の拡散カーネルを構築するための原理的アプローチを開発した。 人工的および6つの多種多様な実世界のベンチマーク実験により,HyBOが最先端の手法を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2021-06-08T20:47:21Z)

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。