論文の概要: Cost-Aware Bayesian Optimization for Prototyping Interactive Devices

• arxiv url: http://arxiv.org/abs/2602.01774v1
• Date: Mon, 02 Feb 2026 07:59:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.99587
• Title: Cost-Aware Bayesian Optimization for Prototyping Interactive Devices
• Title（参考訳）: プロトタイプ対話型デバイスのためのコストアウェアベイズ最適化
• Authors: Thomas Langerak, Renate Zhang, Ziyuan Wang, Per Ola Kristensson, Antti Oulasvirta,
• Abstract要約: 多様なプロトタイピングコストを考慮に入れた,コストを考慮したベイズ最適化の拡張を提案する。 鍵となるアイデアは、デザイナーが見積もったコストを使って、よりコスト効率の良いプロトタイプのサンプリングをガイドすることだ。
• 参考スコア（独自算出の注目度）: 43.5450702289719
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deciding which idea is worth prototyping is a central concern in iterative design. A prototype should be produced when the expected improvement is high and the cost is low. However, this is hard to decide, because costs can vary drastically: a simple parameter tweak may take seconds, while fabricating hardware consumes material and energy. Such asymmetries, can discourage a designer from exploring the design space. In this paper, we present an extension of cost-aware Bayesian optimization to account for diverse prototyping costs. The method builds on the power of Bayesian optimization and requires only a minimal modification to the acquisition function. The key idea is to use designer-estimated costs to guide sampling toward more cost-effective prototypes. In technical evaluations, the method achieved comparable utility to a cost-agnostic baseline while requiring only ${\approx}70\%$ of the cost; under strict budgets, it outperformed the baseline threefold. A within-subjects study with 12 participants in a realistic joystick design task demonstrated similar benefits. These results show that accounting for prototyping costs can make Bayesian optimization more compatible with real-world design projects.
• Abstract（参考訳）: どのアイデアがプロトタイピングに値するかを決めることは、反復設計における中心的な関心事である。 期待される改善が高く、コストが低い場合にプロトタイプを作成すべきである。 しかし、ハードウェアの製造は材料とエネルギーを消費するのに対し、単純なパラメータの調整には数秒を要する可能性があるため、コストが大幅に変化するため、これは決定が難しい。 このような非対称性は、設計者が設計空間を探索することを妨げる可能性がある。 本稿では,多種多様なプロトタイピングコストを考慮して,コストを考慮したベイズ最適化の拡張を提案する。 この方法はベイズ最適化の力に基づいて構築され、取得関数に最小限の変更しか必要としない。 鍵となるアイデアは、デザイナーが見積もったコストを使って、よりコスト効率の良いプロトタイプのサンプリングをガイドすることだ。 技術的評価では、この手法はコスト非依存のベースラインに匹敵する有用性を達成し、コストは${\approx}70\%しか必要とせず、厳格な予算でベースラインを3倍に上回った。 現実的なジョイスティックデザインタスクに参加する12人の被験者を対象にした実験では、同様の利点が示された。 これらの結果から,プロトタイピングのコストを考慮すれば,ベイジアン最適化が現実の設計プロジェクトとより相容れないことが示唆された。

関連論文リスト

• Neural Nonmyopic Bayesian Optimization in Dynamic Cost Settings [73.44599934855067]
  LookaHESは、動的で履歴に依存したコスト環境のために設計された非心筋BOフレームワークである。 LookaHESは、$H$-Entropy Searchのマルチステップ版と、パスワイズサンプリングとニューラルポリシー最適化を組み合わせたものだ。 私たちの革新は、構造化されたドメイン固有のアクションスペースを効果的にナビゲートするために、大きな言語モデルを含むニューラルポリシーの統合です。
  論文  参考訳（メタデータ） (2026-01-10T09:49:45Z)
• When AI Bends Metal: AI-Assisted Optimization of Design Parameters in Sheet Metal Forming [0.4347560796121297]
  本稿では,ベイズ最適化を用いて,パラメータ最適化における専門家の関与を減らすAI支援ワークフローを提案する。 ディープラーニングモデルは、最適化サイクルが終了条件を満たすまで設計を反復的に洗練する初期パラメータ推定を提供する。 本稿は, シートメタル形成プロセスに基づくアプローチを実証し, 専門家による関与の必要性を低減しつつ, 設計空間の探索を加速させる方法を示す。
  論文  参考訳（メタデータ） (2025-11-27T10:31:24Z)
• Cost-aware Stopping for Bayesian Optimization [46.95172329282389]
  本稿では,様々な評価コストに適応し,チューニングが不要なベイズ最適化のためのコスト対応停止則を提案する。 我々は,最先端の取得関数と組み合わせた場合,停止規則によって得られる期待累積評価コストを拘束する理論的な保証を証明した。
  論文  参考訳（メタデータ） (2025-07-16T17:54:14Z)
• Evolve Cost-aware Acquisition Functions Using Large Language Models [11.209139558885035]
  本稿では,大規模言語モデル (LLM) と進化計算 (EC) を統合する新しいフレームワークであるEvolCAFを紹介する。 設計されたコストアウェアAFは、過去のデータ、サロゲートモデル、予算の詳細から利用可能な情報の利用を最大化する。 EIpu と EI-cool の手法は, 人的専門家が設計した手法と比較して, 様々なタスクにまたがる顕著な効率性と一般化を示す。
  論文  参考訳（メタデータ） (2024-04-25T12:19:18Z)
• Self-focusing virtual screening with active design space pruning [2.853824009425466]
  設計空間プルーニング(DSP)と呼ばれる手法を用いて,推論コストを軽減するモデル誘導最適化フレームワークの拡張を提案する。 DSPの様々な最適化タスクへの適用について検討し、ベースライン最適化に類似した性能を示しながら、オーバーヘッドコストの大幅な削減を観察する。
  論文  参考訳（メタデータ） (2022-05-03T19:47:30Z)
• Investigating Positive and Negative Qualities of Human-in-the-Loop Optimization for Designing Interaction Techniques [55.492211642128446]
  設計者は、与えられた目的の集合を最大化する設計パラメータの組み合わせを見つけるよう求められる設計最適化タスクに苦労すると言われている。 モデルベースの計算設計アルゴリズムは、設計中に設計例を生成することでデザイナを支援する。 一方、補助のためのブラックボックスメソッドは、あらゆる設計問題に対処できる。
  論文  参考訳（メタデータ） (2022-04-15T20:40:43Z)
• Low-Cost Algorithmic Recourse for Users With Uncertain Cost Functions [74.00030431081751]
  本稿では,ユーザ固有のコスト関数の概念を定式化し,ユーザのための行動可能なリコースを識別する新しい手法を提案する。 本手法は,強いベースライン法に比べて最大25.89パーセントのユーザを満足させる。
  論文  参考訳（メタデータ） (2021-11-01T19:49:35Z)
• Optimal Bayesian experimental design for subsurface flow problems [77.34726150561087]
  本稿では,設計ユーティリティ機能のためのカオス拡張サロゲートモデル(PCE)の開発のための新しいアプローチを提案する。 この手法により,対象関数に対する適切な品質応答面の導出が可能となり,計算予算は複数の単点評価に匹敵する。
  論文  参考訳（メタデータ） (2020-08-10T09:42:59Z)
• Cost-aware Bayesian Optimization [6.75013674088437]
  コストを意識したBOは、時間、エネルギー、お金といった他のコスト指標との収束を測定します。 我々は,目標関数をできるだけ少ないコストで最小化しようとするコスト調整BO(CArBO)を導入する。
  論文  参考訳（メタデータ） (2020-03-22T14:51:04Z)

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。