論文の概要: NeuroPareto: Calibrated Acquisition for Costly Many-Goal Search in Vast Parameter Spaces

• arxiv url: http://arxiv.org/abs/2602.03901v1
• Date: Tue, 03 Feb 2026 10:02:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.214502
• Title: NeuroPareto: Calibrated Acquisition for Costly Many-Goal Search in Vast Parameter Spaces
• Title（参考訳）: NeuroPareto:Vastパラメータ空間における費用対多目標探索のためのキャリブレーション獲得
• Authors: Rong Fu, Wenxin Zhang, Chunlei Meng, Youjin Wang, Haoyu Zhao, Jiaxuan Lu, Kun Liu, JiaBao Dou, Simon James Fong,
• Abstract要約: NeuroParetoは、ランク中心のフィルタリング、不確実性回避、履歴条件付き取得戦略を統合する、凝集性のあるアーキテクチャである。 歴史的ハイパーボリュームの改善からオンラインでトレーニングされた軽量な取得ネットワークは、収束と多様性のバランスをとる領域に対する高価な評価を導く。
• 参考スコア（独自算出の注目度）: 13.246738608273711
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The pursuit of optimal trade-offs in high-dimensional search spaces under stringent computational constraints poses a fundamental challenge for contemporary multi-objective optimization. We develop NeuroPareto, a cohesive architecture that integrates rank-centric filtering, uncertainty disentanglement, and history-conditioned acquisition strategies to navigate complex objective landscapes. A calibrated Bayesian classifier estimates epistemic uncertainty across non-domination tiers, enabling rapid generation of high-quality candidates with minimal evaluation cost. Deep Gaussian Process surrogates further separate predictive uncertainty into reducible and irreducible components, providing refined predictive means and risk-aware signals for downstream selection. A lightweight acquisition network, trained online from historical hypervolume improvements, guides expensive evaluations toward regions balancing convergence and diversity. With hierarchical screening and amortized surrogate updates, the method maintains accuracy while keeping computational overhead low. Experiments on DTLZ and ZDT suites and a subsurface energy extraction task show that NeuroPareto consistently outperforms classifier-enhanced and surrogate-assisted baselines in Pareto proximity and hypervolume.
• Abstract（参考訳）: 厳密な計算制約の下での高次元探索空間における最適トレードオフの追求は、現代多目的最適化の根本的な課題である。 我々は、ランク中心のフィルタリング、不確実な絡み合い、複雑な客観的景観をナビゲートするための履歴条件付き獲得戦略を統合した結束型アーキテクチャであるNeuroParetoを開発した。 キャリブレーションされたベイズ分類器は、非支配層間の疫学的な不確実性を推定し、最小評価コストで高品質な候補を迅速に生成することができる。 ディープ・ガウシアン・プロセスは、より分離された予測の不確かさを再現可能かつ既約なコンポーネントに置き換え、洗練された予測手段と下流選択のためのリスク認識信号を提供する。 歴史的ハイパーボリュームの改善からオンラインでトレーニングされた軽量な取得ネットワークは、収束と多様性のバランスをとる領域に対する高価な評価を導く。 階層的なスクリーニングと補正されたサロゲート更新により、計算オーバーヘッドを低く保ちながら精度を維持する。 DTLZとZDTスイートの実験と地下エネルギー抽出タスクにより、NeuroParetoはパレート近傍と超体積において、分類器と補助基線を一貫して上回っていることが示された。

関連論文リスト

• Tensor-Efficient High-Dimensional Q-learning [4.503747347543387]
  高次元強化学習は、大規模状態作用空間における複雑な計算と低いサンプル効率の課題に直面している。 本稿では,離散化された状態-作用空間上でのブロック座標降下の改善により,低ランクテンソル分解を向上するTEQLを提案する。 鍵となるイノベーションは、近似誤差と訪問に基づく高信頼度を組み合わせ、行動の優先順位を高い不確実性で優先順位付けする探索戦略である。
  論文  参考訳（メタデータ） (2025-11-05T16:16:31Z)
• HYPERDOA: Robust and Efficient DoA Estimation using Hyperdimensional Computing [8.27483835715597]
  超次元コンピューティング(HDC)を利用した新しい推定器であるHYPERDOAを紹介する。 低SNR、コヒーレントソースシナリオにおける最先端手法よりも35.39%高い精度を達成する。 また、組み込みNVIDIA Jetson Xavier NXプラットフォーム上の競合する神経ベースラインよりも93%少ないエネルギーを消費する。
  論文  参考訳（メタデータ） (2025-10-12T17:42:01Z)
• Deep Gaussian Process-based Cost-Aware Batch Bayesian Optimization for Complex Materials Design Campaigns [0.6740600601012572]
  本稿では,DGP(Deep Gaussian Process)サロゲートとヘテロトピークエリ戦略を用いた,費用対効果を考慮したバッチベイズ最適化手法を提案する。 提案フレームワークは,従来のGPベースのBOよりも,コストを考慮したクエリの繰り返しの少ない最適定式化に収束する。
  論文  参考訳（メタデータ） (2025-09-17T20:22:08Z)
• Model Accuracy and Data Heterogeneity Shape Uncertainty Quantification in Machine Learning Interatomic Potentials [5.955636672018519]
  機械学習原子間ポテンシャル(MLIP)は正確な原子モデルを可能にするが、信頼性のある不確実性定量化(UQ)はいまだ解明されていない。 本研究では,原子クラスター拡張フレームワーク内でのアンサンブル学習とD-最適性の2つのUQ戦略について検討する。
  論文  参考訳（メタデータ） (2025-08-05T12:52:49Z)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• ACMamba: Fast Unsupervised Anomaly Detection via An Asymmetrical Consensus State Space Model [51.83639270669481]
  ハイパースペクトル画像(HSI)における教師なし異常検出は、背景から未知のターゲットを検出することを目的としている。 HSI研究は、HSIの高次元特性と高密度サンプリングベーストレーニングパラダイムにより、計算コストの急激さによって妨げられている。 計算コストを大幅に削減する非対称コンセンサス状態空間モデル(ACMamba)を提案する。
  論文  参考訳（メタデータ） (2025-04-16T05:33:42Z)
• Energy-Guided Continuous Entropic Barycenter Estimation for General Costs [95.33926437521046]
  任意のOTコスト関数に対して連続的エントロピーOT(EOT)バリセンタを近似する新しいアルゴリズムを提案する。 本手法は、弱いOTに基づくEOT問題の二重再構成に基づいている。
  論文  参考訳（メタデータ） (2023-10-02T11:24:36Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Pessimistic Q-Learning for Offline Reinforcement Learning: Towards Optimal Sample Complexity [51.476337785345436]
  有限水平マルコフ決定過程の文脈におけるQ-ラーニングの悲観的変種について検討する。 ほぼ最適サンプル複雑性を実現するために,分散再現型悲観的Q-ラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-28T15:39:36Z)
• Tractable and Near-Optimal Adversarial Algorithms for Robust Estimation in Contaminated Gaussian Models [1.609950046042424]
  ハマーの汚染されたガウスモデルの下での位置と分散行列の同時推定の問題を考える。 まず,非パラメトリック判別器を用いた生成逆数法に対応する最小$f$-divergence推定法について検討した。 ネスト最適化により実装可能な,単純なスプライン判別器を用いたトラクタブル逆数アルゴリズムを開発した。 提案手法は,$f$-divergenceと使用したペナルティに応じて,最小値の最適値またはほぼ最適値を達成する。
  論文  参考訳（メタデータ） (2021-12-24T02:46:51Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)

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。