論文の概要: Joint Parameter and State-Space Bayesian Optimization: Using Process Expertise to Accelerate Manufacturing Optimization

• arxiv url: http://arxiv.org/abs/2602.17679v1
• Date: Wed, 04 Feb 2026 11:07:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 07:21:25.507502
• Title: Joint Parameter and State-Space Bayesian Optimization: Using Process Expertise to Accelerate Manufacturing Optimization
• Title（参考訳）: 共同パラメータと状態空間ベイズ最適化:プロセスエキスパートを用いた製造最適化の高速化
• Abstract要約: 以上の結果から,POGPN-JPSSは所望の性能閾値を2倍の速さで高い信頼性で達成し,最先端手法を著しく上回ることを示す。 このことは、専門家の知識と構造化確率モデルを組み合わせることの重要性を強調している。
• 参考スコア（独自算出の注目度）: 19.296118527939747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bayesian optimization (BO) is a powerful method for optimizing black-box manufacturing processes, but its performance is often limited when dealing with high-dimensional multi-stage systems, where we can observe intermediate outputs. Standard BO models the process as a black box and ignores the intermediate observations and the underlying process structure. Partially Observable Gaussian Process Networks (POGPN) model the process as a Directed Acyclic Graph (DAG). However, using intermediate observations is challenging when the observations are high-dimensional state-space time series. Process-expert knowledge can be used to extract low-dimensional latent features from the high-dimensional state-space data. We propose POGPN-JPSS, a framework that combines POGPN with Joint Parameter and State-Space (JPSS) modeling to use intermediate extracted information. We demonstrate the effectiveness of POGPN-JPSS on a challenging, high-dimensional simulation of a multi-stage bioethanol production process. Our results show that POGPN-JPSS significantly outperforms state-of-the-art methods by achieving the desired performance threshold twice as fast and with greater reliability. The fast optimization directly translates to substantial savings in time and resources. This highlights the importance of combining expert knowledge with structured probabilistic models for rapid process maturation.
• Abstract（参考訳）: ベイズ最適化(BO)はブラックボックス製造工程を最適化する強力な手法であるが、中間出力を観測できる高次元多段システムでは性能が制限されることが多い。 標準BOはプロセスをブラックボックスとしてモデル化し、中間観察と基盤となるプロセス構造を無視します。 部分的に観測可能なガウス過程ネットワーク(POGPN)は、そのプロセスをDAG(Directed Acyclic Graph)としてモデル化する。 しかし、高次元状態空間時系列である場合、中間観測を用いることは困難である。 プロセスエキスパート知識は、高次元状態空間データから低次元の潜在特徴を抽出するために用いられる。 中間抽出情報を利用するために,POGPNと結合パラメータと状態空間(JPSS)モデリングを組み合わせたPOGPN-JPSSを提案する。 多段バイオエタノール製造プロセスの困難かつ高次元シミュレーションにおけるPOGPN-JPSSの有効性を実証した。 以上の結果から,POGPN-JPSSは所望の性能閾値を2倍の速さで高い信頼性で達成し,最先端の手法よりも優れていた。 高速な最適化は、時間とリソースの大幅な節約に直接変換する。 このことは、専門家の知識と構造化確率モデルを組み合わせることの重要性を強調している。

関連論文リスト

• Simulation-based inference via telescoping ratio estimation for trawl processes [0.0]
  本稿では,高速で高精度なMarkovベースの推論フレームワークを提案する。 チェビシェフ近似を用いて独立な後続サンプルを効率よく生成し,連鎖モンテカルロ法が混在しても正確な推論を可能にする。 エネルギー需要データに適用した柔軟な無限分割可能なモデルのクラスであるトロールプロセスにおいて,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2025-10-05T05:26:46Z)
• Multi-Objective Bayesian Optimization with Independent Tanimoto Kernel Gaussian Processes for Diverse Pareto Front Exploration [0.0]
  本稿では,新しい多目的ベイズ最適化アルゴリズムであるGP-MOBOを提案する。 提案手法は, スパース分子指紋の全次元を効率よく処理できる, Exact Gaussian Processs (GPs) のための, 高速で最小のパッケージを統合する。
  論文  参考訳（メタデータ） (2025-08-12T06:27:36Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Efficient Learning of POMDPs with Known Observation Model in Average-Reward Setting [56.92178753201331]
  我々は,POMDPパラメータを信念に基づくポリシを用いて収集したサンプルから学習することのできる観測・認識スペクトル(OAS)推定手法を提案する。 提案するOAS-UCRLアルゴリズムに対して,OASプロシージャの整合性を示し,$mathcalO(sqrtT log(T)$の残差保証を証明した。
  論文  参考訳（メタデータ） (2024-10-02T08:46:34Z)
• Gaussian Ensemble Belief Propagation for Efficient Inference in High-Dimensional Systems [3.6773638205393198]
  高次元モデルにおける効率的な推論は、機械学習における中心的な課題である。 本稿では,Gaussian Ensemble Belief Propagation (GEnBP)アルゴリズムを紹介する。 本稿では,GEnBPが既存の信念手法よりも精度と計算効率で優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-13T03:31:36Z)
• 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)
• Joint Composite Latent Space Bayesian Optimization [15.262166538890243]
  複合遅延空間ベイズ最適化(JoCo)について紹介する。 JoCoは、ニューラルネットワークエンコーダと確率モデルを共同でトレーニングし、高次元の入力空間と出力空間を、管理可能な潜在表現に適応的に圧縮する新しいフレームワークである。 これにより、圧縮された表現上で実行可能なBOが可能となり、JoCoは様々なシミュレートされた実世界の問題において、高次元BOにおける他の最先端の方法よりも優れている。
  論文  参考訳（メタデータ） (2023-11-03T19:53:37Z)
• Learning Regions of Interest for Bayesian Optimization with Adaptive Level-Set Estimation [84.0621253654014]
  本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。 理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
  論文  参考訳（メタデータ） (2023-07-25T09:45:47Z)
• FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
  この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。 脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。 その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-10T12:35:02Z)
• Optimization of Annealed Importance Sampling Hyperparameters [77.34726150561087]
  Annealed Importance Smpling (AIS) は、深層生成モデルの難易度を推定するために使われる一般的なアルゴリズムである。 本稿では、フレキシブルな中間分布を持つパラメータAISプロセスを提案し、サンプリングに少ないステップを使用するようにブリッジング分布を最適化する。 我々は, 最適化AISの性能評価を行い, 深部生成モデルの限界推定を行い, 他の推定値と比較した。
  論文  参考訳（メタデータ） (2022-09-27T07:58:25Z)

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。