論文の概要: Transfer Learning in Bayesian Optimization for Aircraft Design

• arxiv url: http://arxiv.org/abs/2603.28999v1
• Date: Mon, 30 Mar 2026 21:01:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:02.862643
• Title: Transfer Learning in Bayesian Optimization for Aircraft Design
• Title（参考訳）: 航空機設計のためのベイズ最適化における伝達学習
• Authors: Ali Tfaily, Youssef Diouane, Nathalie Bartoli, Michael Kokkolaras,
• Abstract要約: 本稿では,移動学習を用いた代理モデルのアンサンブルを活用し,制約付きベイズ最適化フレームワークに統合する手法を提案する。 不均一な設計変数と制約に関連する航空機設計の最適化に特有な課題を同定する。 その結果、ベイズ最適化と比較して、初期最適化の繰り返しにおける収束の顕著な改善が示された。
• 参考スコア（独自算出の注目度）: 0.34998703934432673
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The use of transfer learning within Bayesian optimization addresses the disadvantages of the so-called \textit{cold start} problem by using source data to aid in the optimization of a target problem. We present a method that leverages an ensemble of surrogate models using transfer learning and integrates it in a constrained Bayesian optimization framework. We identify challenges particular to aircraft design optimization related to heterogeneous design variables and constraints. We propose the use of a partial-least-squares dimension reduction algorithm to address design space heterogeneity, and a \textit{meta} data surrogate selection method to address constraint heterogeneity. Numerical benchmark problems and an aircraft conceptual design optimization problem are used to demonstrate the proposed methods. Results show significant improvement in convergence in early optimization iterations compared to standard Bayesian optimization, with improved prediction accuracy for both objective and constraint surrogate models.
• Abstract（参考訳）: ベイズ最適化における伝達学習の利用は、ターゲット問題の最適化を支援するためにソースデータを使用することで、いわゆる「textit{cold start}」問題の欠点に対処する。 本稿では,移動学習を用いた代理モデルのアンサンブルを活用し,制約付きベイズ最適化フレームワークに統合する手法を提案する。 不均一な設計変数と制約に関連する航空機設計の最適化に特有な課題を同定する。 本稿では,設計空間の不均一性に対処するための部分最小二乗次元削減アルゴリズムと,制約不均一性に対処するためのデータサロゲート選択法を提案する。 提案手法の実証には,数値ベンチマーク問題と航空機設計最適化問題を用いる。 その結果, 主観的および制約的代理モデルの予測精度が向上し, ベイズ最適化と比較して, 初期最適化繰り返しにおける収束性は著しく向上した。

関連論文リスト

• Preference-Guided Diffusion for Multi-Objective Offline Optimization [64.08326521234228]
  オフライン多目的最適化のための優先誘導拡散モデルを提案する。 我々の指導は、ある設計が他の設計を支配する確率を予測するために訓練された選好モデルである。 本結果は,多種多様な高品質な解を生成する上での分類器誘導拡散モデルの有効性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-03-21T16:49:38Z)
• End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
  機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。 本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。 この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-12T16:33:35Z)
• Generative Adversarial Model-Based Optimization via Source Critic Regularization [25.19579059511105]
  本稿ではアダプティブ・ソース・批評家正規化(aSCR)を用いた生成逆モデルに基づく最適化を提案する。 ASCRは、サロゲート関数が信頼できる設計空間の領域に最適化軌道を制約する。 本稿では,aSCRを標準的なベイズ最適化に活用することにより,オフライン生成設計タスクのスイートにおいて,既存の手法よりも優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2024-02-09T16:43:57Z)
• Functional Graphical Models: Structure Enables Offline Data-Driven Optimization [111.28605744661638]
  構造がサンプル効率のよいデータ駆動最適化を実現する方法を示す。 また、FGM構造自体を推定するデータ駆動最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-08T22:33:14Z)
• Bayesian Quality-Diversity approaches for constrained optimization problems with mixed continuous, discrete and categorical variables [0.3626013617212667]
  シミュレーション予算の制限という観点から,混合変数に基づく新しい品質多様性手法を提案する。 提案手法は、複雑なシステム設計のための意思決定者にとって貴重なトレードオフを提供する。
  論文  参考訳（メタデータ） (2023-09-11T14:29:47Z)
• Optimal Design of Electric Machine with Efficient Handling of Constraints and Surrogate Assistance [5.387300498478744]
  本稿では、広く使われている進化的多目的最適化アルゴリズムNSGA-IIに組み込んだ最適化手法を提案する。 提案手法は, 幾何的制約の安価さを利用して, カスタム補修演算子を用いて実現可能な設計を生成する。
  論文  参考訳（メタデータ） (2022-06-03T17:13:29Z)
• Robust Topology Optimization Using Multi-Fidelity Variational Autoencoders [1.0124625066746595]
  強靭なトポロジー最適化(RTO)問題は、最高の平均性能を持つ設計を特定する。 計算効率を向上するニューラルネットワーク手法を提案する。 本手法の数値解析は,Lブラケット構造のロバスト設計における単一点負荷と複数点負荷について述べる。
  論文  参考訳（メタデータ） (2021-07-19T20:40:51Z)
• Adaptive Sampling of Pareto Frontiers with Binary Constraints Using Regression and Classification [0.0]
  本稿では,二項制約を持つブラックボックス多目的最適化問題に対する適応最適化アルゴリズムを提案する。 本手法は確率的回帰モデルと分類モデルに基づいており,最適化目標のサロゲートとして機能する。 また,予想される超体積計算を高速化するために,新しい楕円形トランケーション法を提案する。
  論文  参考訳（メタデータ） (2020-08-27T09:15:02Z)
• Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
  未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。 最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。 我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T19:11:54Z)

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。