論文の概要: Weighted Wasserstein Barycenter of Gaussian Processes for exotic Bayesian Optimization tasks

• arxiv url: http://arxiv.org/abs/2602.09181v1
• Date: Mon, 09 Feb 2026 20:40:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.240657
• Title: Weighted Wasserstein Barycenter of Gaussian Processes for exotic Bayesian Optimization tasks
• Title（参考訳）: エキゾチックベイズ最適化タスクのためのガウス過程の重み付きワッサーシュタインバリーセンタ
• Authors: Antonio Candelieri, Francesco Archetti,
• Abstract要約: 本稿では、ガウス過程(W2BGP)の重み付きワッサーシュタイン・バリーセンタを用いて、共通の枠組みの下で異なるエキゾチックベイズ最適化(BO)タスクを統一する方法について述べる。 具体的には、協調/フェデレートされたBO、(同期)バッチBO、マルチファイダリティBOについて考察する。 私たちの経験的分析は、これらのタスクのそれぞれがW2BGPの適切な重み付けスキーマを必要とするのに対して、フレームワーク全体がまだ触れられていないことを証明しています。
• 参考スコア（独自算出の注目度）: 1.2897457531907832
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Exploiting the analogy between Gaussian Distributions and Gaussian Processes' posterior, we present how the weighted Wasserstein Barycenter of Gaussian Processes (W2BGP) can be used to unify, under a common framework, different exotic Bayesian Optimization (BO) tasks. Specifically, collaborative/federated BO, (synchronous) batch BO, and multi-fidelity BO are considered in this paper. Our empirical analysis proves that each one of these tasks requires just an appropriate weighting schema for the W2BGP, while the entire framework remains untouched. Moreover, we demonstrate that the most well-known BO acquisition functions can be easily re-interpreted under the proposed framework and also enable a more computationally efficient way to deal with the computation of the Wasserstein Barycenter, compared with state-of-the-art methods from the Machine Learning literature. Finally, research perspectives branching from the proposed approach are presented.
• Abstract（参考訳）: ガウス分布とガウス過程の後方の類似性を明らかにするため、ガウス過程(英語版) (W2BGP) の重み付けされたワッサーシュタイン・バリーセンタを用いて共通の枠組みの下で異なる異方的ベイズ最適化 (BO) タスクを統一する方法について述べる。 具体的には、協調/フェデレートされたBO、(同期)バッチBO、マルチファイダリティBOについて考察する。 我々の経験的分析は、これらのタスクのそれぞれがW2BGPの適切な重み付けスキーマを必要とするのに対して、フレームワーク全体がまだ触れられていないことを証明しています。 さらに、最もよく知られたBO取得関数は、提案したフレームワークで容易に再解釈でき、機械学習文献の最先端手法と比較して、ワッサーシュタイン・バリセンターの計算処理をより効率的に行うことができることを示した。 最後に,提案手法から分岐した研究の視点について述べる。

関連論文リスト

• Wasserstein Barycenter Gaussian Process based Bayesian Optimization [2.1249213103048414]
  不確実性の下で学習し、最適化するための新しいアプローチを提案する。 Wasserstein Barycenter Gaussian Process based Bayesian Optimization (WBGP-BO) と呼ばれる新しい手法は、期待できる結果となり、最適に収束することができた。
  論文  参考訳（メタデータ） (2025-05-18T15:48:18Z)
• Robust Barycenter Estimation using Semi-Unbalanced Neural Optimal Transport [84.51977664336056]
  本研究では、ロバストな連続バリセンタを推定するための新しいスケーラブルなアプローチを提案する。 提案手法は min-max 最適化問題であり,一般的なコスト関数に適用可能である。
  論文  参考訳（メタデータ） (2024-10-04T23:27:33Z)
• Estimating Barycenters of Distributions with Neural Optimal Transport [93.28746685008093]
  本稿では,Wasserstein Barycenter問題を解くための新しいスケーラブルなアプローチを提案する。 我々の手法は最近のNeural OTソルバをベースとしている。 また,提案手法の理論的誤差境界も確立する。
  論文  参考訳（メタデータ） (2024-02-06T09:17:07Z)
• Poisson Process for Bayesian Optimization [126.51200593377739]
  本稿では、Poissonプロセスに基づくランキングベースの代理モデルを提案し、Poisson Process Bayesian Optimization(PoPBO)と呼ばれる効率的なBOフレームワークを提案する。 従来のGP-BO法と比較すると,PoPBOはコストが低く,騒音に対する堅牢性も良好であり,十分な実験により検証できる。
  論文  参考訳（メタデータ） (2024-02-05T02:54:50Z)
• Towards Practical Preferential Bayesian Optimization with Skew Gaussian Processes [8.198195852439946]
  本稿では,信頼度が2対比較に限定される優先ベイズ最適化(BO)について検討する。 優越性BOの重要な課題は、優越性ガウス過程(GP)モデルを用いてフレキシブルな選好構造を表現することである。 本研究では,高い計算効率と低いサンプル複雑性を両立させる新しい手法を開発し,その効果を広範囲な数値実験により実証する。
  論文  参考訳（メタデータ） (2023-02-03T03:02:38Z)
• Batch Bayesian optimisation via density-ratio estimation with guarantees [26.052368583196426]
  本稿では,BOREの後悔を理論的に分析し,不確実性の推定を改良したアルゴリズムの拡張について述べる。 また,BOREを近似ベイズ推論として再キャストすることにより,バッチ最適化設定に自然に拡張可能であることを示す。
  論文  参考訳（メタデータ） (2022-09-22T00:42:18Z)
• Diversified Sampling for Batched Bayesian Optimization with Determinantal Point Processes [48.09817971375995]
  DPP-Batch Bayesian Optimization (DPP-BBO)を導入する。 DPP-Thompson Smpling (DPP-TS) を一般的なトンプソンサンプリング (TS) アルゴリズムの変種として定式化し、マルコフ・チェインモンテカルロ法をサンプルとして導入することによって、この枠組みを説明する。
  論文  参考訳（メタデータ） (2021-10-22T08:51:28Z)
• Continuous Regularized Wasserstein Barycenters [51.620781112674024]
  正規化ワッサーシュタイン・バリセンタ問題に対する新しい双対定式化を導入する。 我々は、強い双対性を確立し、対応する主対関係を用いて、正規化された輸送問題の双対ポテンシャルを用いて暗黙的にバリセンターをパラメトリゼーションする。
  論文  参考訳（メタデータ） (2020-08-28T08:28:06Z)
• Scalable Computations of Wasserstein Barycenter via Input Convex Neural Networks [15.171726731041055]
  ワッサーシュタイン・バリーセンター(Wasserstein Barycenter)は、与えられた確率分布の集合の重み付き平均を表す原理的なアプローチである。 本稿では,Wasserstein Barycentersを機械学習の高次元的応用を目的とした,スケーラブルな新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-08T22:41:18Z)

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。