論文の概要: Local Constrained Bayesian Optimization
- arxiv url: http://arxiv.org/abs/2603.07965v1
- Date: Mon, 09 Mar 2026 05:05:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-10 15:13:15.494556
- Title: Local Constrained Bayesian Optimization
- Title（参考訳）: 局所制約ベイズ最適化
- Authors: Jing Jingzhe, Fan Zheyi, Szu Hui Ng, Qingpei Hu,
- Abstract要約: 局所制約ベイズ最適化(LCBO)は高次元制約問題に適した新しいフレームワークである。
LCBO が KKT (Karush-Kuhn-Tucker) 残差に対して収束速度を達成できることを示す。
- 参考スコア（独自算出の注目度）: 3.0133884087546536
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bayesian optimization (BO) for high-dimensional constrained problems remains a significant challenge due to the curse of dimensionality. We propose Local Constrained Bayesian Optimization (LCBO), a novel framework tailored for such settings. Unlike trust-region methods that are prone to premature shrinking when confronting tight or complex constraints, LCBO leverages the differentiable landscape of constraint-penalized surrogates to alternate between rapid local descent and uncertainty-driven exploration. Theoretically, we prove that LCBO achieves a convergence rate for the Karush-Kuhn-Tucker (KKT) residual that depends polynomially on the dimension $d$ for common kernels under mild assumptions, offering a rigorous alternative to global BO where regret bounds typically scale exponentially. Extensive evaluations on high-dimensional benchmarks (up to 100D) demonstrate that LCBO consistently outperforms state-of-the-art baselines.
- Abstract（参考訳）: 高次元制約問題に対するベイズ最適化(BO)は、次元性の呪いのため重要な課題である。
このような設定に適した新しいフレームワークであるローカル制約ベイズ最適化(LCBO)を提案する。
厳密な制約や複雑な制約に直面すると早期に縮小しがちな信頼領域法とは異なり、LCBOは局所的な急激な降下と不確実性による探索を交互に行うために、制約ペナル化サロゲートの相違可能な景観を利用する。
理論的には、LCBOがカルーシュ・クーン・タッカー(KKT)残差に対して収束速度を達成し、軽度の仮定の下で共通核に対して$d$の次元に依存することを証明し、後悔境界が指数関数的にスケールするグローバルBOに対して厳密な代替手段を提供する。
高次元ベンチマーク(100Dまで)の大規模な評価は、LCBOが一貫して最先端のベースラインを上回っていることを示している。
関連論文リスト
- BandPO: Bridging Trust Regions and Ratio Clipping via Probability-Aware Bounds for LLM Reinforcement Learning [49.25750348525603]
BandPOは、信頼領域を動的で確率対応のクリッピング間隔に投影する統一理論演算子であるBandに取って代わる。
BandPOはカノニカルクリッピングやClip-Higherより一貫して優れ,エントロピー崩壊の軽減が図られている。
論文 参考訳（メタデータ） (2026-03-05T08:03:05Z) - Feasibility-Driven Trust Region Bayesian Optimization [0.048748194765816946]
FuRBOは、次の候補解が選択される信頼領域を反復的に定義する。
我々は,フルBBOB制約ベンチマークスイートの広範なテストを通じて,FuRBOの有効性を実証的に実証した。
論文 参考訳（メタデータ） (2025-06-17T15:16:22Z) - Convergence of Adam in Deep ReLU Networks via Directional Complexity and Kakeya Bounds [49.1574468325115]
Adamのような一階適応最適化手法は、現代のディープニューラルネットワークをトレーニングするためのデフォルトの選択肢である。
我々は,領域横断の制限を段階的に強化する多層改質フレームワークを開発した。
有効次元において,領域交差の数が指数的からほぼ直線的に崩壊することが証明された。
論文 参考訳（メタデータ） (2025-05-21T01:34:16Z) - LABCAT: Locally adaptive Bayesian optimization using principal-component-aligned trust regions [0.0]
信頼領域に基づくBOを拡張した LABCAT アルゴリズムを提案する。
このアルゴリズムは、最先端のBOや他のブラックボックス最適化アルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-11-19T13:56:24Z) - Black-Box Optimization with Implicit Constraints for Public Policy [7.905659620019301]
本稿では,CageBO(Conditional and Generative Black-box Optimization)と呼ばれる新しいBBOフレームワークを紹介する。
CageBOは、公共政策アプリケーションでよく見られる暗黙の制約を効率的に処理する。
我々のCageBOは,ベースラインに比べて性能と効率が著しく向上していることが明らかとなった。
論文 参考訳（メタデータ） (2023-10-27T19:47:26Z) - 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) - Distributionally Robust Bayesian Optimization with $\varphi$-divergences [45.48814080654241]
我々は,$varphi$-divergencesにおけるデータシフトに対するロバスト性について考察する。
この設定におけるDRO-BO問題は有限次元最適化問題と等価であり、連続的な文脈でも証明可能な部分線型後悔境界で容易に実装できることを示す。
論文 参考訳（メタデータ） (2022-03-04T04:34:52Z) - CobBO: Coordinate Backoff Bayesian Optimization [45.53400129323848]
グローバルな景観のスムーズな近似を捉えるために,CobBO(Coordinate Backoff Bayesian Optimization)を導入する。
CobBOは、数十から数百の次元に対する他の最先端の手法に匹敵するソリューションを見つける。
論文 参考訳（メタデータ） (2021-01-13T15:39:32Z)
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。