論文の概要: Extending Multi-Source Bayesian Optimization With Causality Principles

• arxiv url: http://arxiv.org/abs/2602.14791v1
• Date: Mon, 16 Feb 2026 14:38:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:50.471189
• Title: Extending Multi-Source Bayesian Optimization With Causality Principles
• Title（参考訳）: 因果原理によるマルチソースベイズ最適化の拡張
• Authors: Luuk Jacobs, Mohammad Ali Javidian,
• Abstract要約: マルチソース領域におけるMSBOとCBOの方法論を原則的に統合する手法を提案する。 本稿では,マルチソース因果ベイズ最適化(MSCBO)アルゴリズムについて述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-Source Bayesian Optimization (MSBO) serves as a variant of the traditional Bayesian Optimization (BO) framework applicable to situations involving optimization of an objective black-box function over multiple information sources such as simulations, surrogate models, or real-world experiments. However, traditional MSBO assumes the input variables of the objective function to be independent and identically distributed, limiting its effectiveness in scenarios where causal information is available and interventions can be performed, such as clinical trials or policy-making. In the single-source domain, Causal Bayesian Optimization (CBO) extends standard BO with the principles of causality, enabling better modeling of variable dependencies. This leads to more accurate optimization, improved decision-making, and more efficient use of low-cost information sources. In this article, we propose a principled integration of the MSBO and CBO methodologies in the multi-source domain, leveraging the strengths of both to enhance optimization efficiency and reduce computational complexity in higher-dimensional problems. We present the theoretical foundations of both Causal and Multi-Source Bayesian Optimization, and demonstrate how their synergy informs our Multi-Source Causal Bayesian Optimization (MSCBO) algorithm. We compare the performance of MSCBO against its foundational counterparts for both synthetic and real-world datasets with varying levels of noise, highlighting the robustness and applicability of MSCBO. Based on our findings, we conclude that integrating MSBO with the causality principles of CBO facilitates dimensionality reduction and lowers operational costs, ultimately improving convergence speed, performance, and scalability.
• Abstract（参考訳）: マルチソースベイズ最適化(MSBO)は、シミュレーション、サロゲートモデル、実世界実験などの複数の情報ソース上での客観的ブラックボックス関数の最適化を含む状況に適用可能な、伝統的なベイズ最適化(BO)フレームワークの変種として機能する。 しかし、従来のMSBOは、目的関数の入力変数が独立かつ同一に分散されることを前提としており、因果情報を入手でき、治験や政策立案などの介入を行うことができるシナリオにおいて、その効果を制限している。 単一ソースのドメインでは、Causal Bayesian Optimization (CBO) は因果関係の原理で標準BOを拡張し、変数依存のモデリングを改善する。 これにより、より正確な最適化、意思決定の改善、低コストの情報ソースの効率的な利用が可能になる。 本稿では,マルチソース領域におけるMSBO法とCBO法を原則的に統合し,最適化効率の向上と高次元問題における計算複雑性の低減を図る。 本稿では、因果ベイジアン最適化と多元ベイジアン最適化の理論的基礎を示し、それらの相乗効果が我々の多元ベイジアン最適化(MSCBO)アルゴリズムにどのように影響するかを実証する。 我々は,MSCBOの性能を,MSCBOの頑健さと適用性を強調し,様々なレベルのノイズを持つ合成および実世界のデータセットの基盤となるものと比較した。 この結果から,MSBOとCBOの因果原理を統合することにより,次元の低減と運用コストの低減が図られ,コンバージェンス速度,性能,スケーラビリティが向上することがわかった。

関連論文リスト

• VBO-MI: A Fully Gradient-Based Bayesian Optimization Framework Using Variational Mutual Information Estimation [1.0829694003408499]
  VBO-MIは多変量相互情報推定の最近の進歩を生かした,完全な勾配に基づくBOフレームワークである。 提案手法は,高次元合成関数や複雑な実世界のタスクを含む,多種多様なベンチマークを用いて評価する。
  論文  参考訳（メタデータ） (2026-01-13T03:07:52Z)
• Multi-Objective Causal Bayesian Optimization [2.5311562666866494]
  マルチターゲット因果グラフ内の最適介入を特定するために,MO-CBO(Multi-Objective Causal Bayesian Optimization)を提案する。 我々はMO-CBOを複数の従来の多目的最適化タスクに分解可能であることを示す。 提案手法は,合成と実世界の因果グラフの両方で検証する。
  論文  参考訳（メタデータ） (2025-02-20T17:26:16Z)
• Cost-Sensitive Multi-Fidelity Bayesian Optimization with Transfer of Learning Curve Extrapolation [55.75188191403343]
  各ユーザが事前に定義した機能であるユーティリティを導入し,BOのコストと性能のトレードオフについて述べる。 このアルゴリズムをLCデータセット上で検証した結果,従来のマルチファイルBOや転送BOベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2024-05-28T07:38:39Z)
• Enhanced Bayesian Optimization via Preferential Modeling of Abstract Properties [49.351577714596544]
  本研究では,非測定抽象特性に関する専門家の嗜好を代理モデルに組み込むための,人間とAIの協調型ベイズフレームワークを提案する。 優先判断において、誤った/誤解を招く専門家バイアスを処理できる効率的な戦略を提供する。
  論文  参考訳（メタデータ） (2024-02-27T09:23:13Z)
• Benchmarking PtO and PnO Methods in the Predictive Combinatorial Optimization Regime [59.27851754647913]
  予測最適化(英: Predictive optimization)は、エネルギーコストを意識したスケジューリングや広告予算配分など、多くの現実世界のアプリケーションの正確なモデリングである。 我々は,広告のための新しい産業データセットを含む8つの問題に対して,既存のPtO/PnOメソッド11をベンチマークするモジュラーフレームワークを開発した。 本研究は,8ベンチマーク中7ベンチマークにおいて,PnOアプローチがPtOよりも優れていることを示すが,PnOの設計選択に銀の弾丸は見つからない。
  論文  参考訳（メタデータ） (2023-11-13T13:19:34Z)
• Model-based Causal Bayesian Optimization [74.78486244786083]
  乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。 グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。 我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
  論文  参考訳（メタデータ） (2023-07-31T13:02:36Z)
• Model-based Causal Bayesian Optimization [78.120734120667]
  モデルに基づく因果ベイズ最適化(MCBO)を提案する。 MCBOは介入と逆のペアをモデリングするのではなく、完全なシステムモデルを学ぶ。 標準的なベイズ最適化とは異なり、我々の取得関数は閉形式では評価できない。
  論文  参考訳（メタデータ） (2022-11-18T14:28:21Z)
• Multi-Fidelity Bayesian Optimization with Unreliable Information Sources [12.509709549771385]
  GPベースのMFBOスキームを信頼性のない情報ソースの追加により堅牢にするためのrMFBO(robust MFBO)を提案する。 提案手法の有効性を,多数の数値ベンチマークで示す。 rMFBOは、BOプロセスに様々な知識を持つ人間の専門家を確実に含めるのに特に有用であると考えています。
  論文  参考訳（メタデータ） (2022-10-25T11:47:33Z)
• A General Recipe for Likelihood-free Bayesian Optimization [115.82591413062546]
  我々は,BOをより広範なモデルやユーティリティに拡張する可能性のないBO(LFBO)を提案する。 LFBOは、確率的代理モデルと個別に推論を行うことなく、取得関数を直接モデル化する。 LFBOにおける取得関数の計算は、重み付けされた分類問題を最適化することで削減できることを示す。
  論文  参考訳（メタデータ） (2022-06-27T03:55:27Z)

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。