論文の概要: mlr3mbo: Bayesian Optimization in R
- arxiv url: http://arxiv.org/abs/2603.29730v1
- Date: Tue, 31 Mar 2026 13:28:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-01 15:25:03.68008
- Title: mlr3mbo: Bayesian Optimization in R
- Title（参考訳）: mlr3mbo: R のベイズ最適化
- Authors: Marc Becker, Lennart Schneider, Martin Binder, Lars Kotthoff, Bernd Bischl,
- Abstract要約: mlr3mboは、Rのベイジアン最適化のための包括的でモジュール化されたツールボックスである。
シングルオブジェクトとマルチオブジェクトの最適化、マルチポイントの提案、バッチと非同期の並列化、入出力変換、堅牢なエラー処理をサポートする。
- 参考スコア（独自算出の注目度）: 12.119102543309358
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present mlr3mbo, a comprehensive and modular toolbox for Bayesian optimization in R. mlr3mbo supports single- and multi-objective optimization, multi-point proposals, batch and asynchronous parallelization, input and output transformations, and robust error handling. While it can be used for many standard Bayesian optimization variants in applied settings, researchers can also construct custom BO algorithms from its flexible building blocks. In addition to an introduction to the software, its design principles, and its building blocks, the paper presents two extensive empirical evaluations of the software on the surrogate-based benchmark suite YAHPO Gym. To identify robust default configurations for both numeric and mixed-hierarchical optimization regimes, and to gain further insights into the respective impacts of individual settings, we run a coordinate descent search over the mlr3mbo configuration space and analyze its results. Furthermore, we demonstrate that mlr3mbo achieves state-of-the-art performance by benchmarking it against a wide range of optimizers, including HEBO, SMAC3, Ax, and Optuna.
- Abstract（参考訳）: 我々は、R. mlr3mboにおけるベイズ最適化のための包括的でモジュール化されたツールボックスであるmlr3mboを紹介し、シングルオブジェクトとマルチオブジェクトの最適化、マルチポイント提案、バッチおよび非同期並列化、入出力変換、堅牢なエラー処理をサポートする。
応用設定におけるベイズ最適化の標準的な多くの変種に使用することができるが、研究者は柔軟なビルディングブロックから独自のBOアルゴリズムを構築することもできる。
本報告では,ソフトウェアの導入,設計原理,ビルディングブロックに加えて,サロゲートベースのベンチマークスイートYAHPO Gym上で,ソフトウェアを広範囲に評価する。
数値最適化と混合階層最適化の両方において、ロバストなデフォルト設定を識別し、個々の設定の影響についてさらなる知見を得るため、mlr3mbo構成空間上で座標降下探索を行い、その結果を解析する。
さらに,mlr3mboはHEBO,SMAC3,Ax,Optunaなど,多種多様なオプティマイザに対してベンチマークすることで,最先端のパフォーマンスを実現することを示す。
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) - Machine Learning Algorithms for Improving Black Box Optimization Solvers [4.994218549120224]
Black-box Optimization (BBO) は、コストのかかるクエリによってのみ目的がアクセス可能な問題に対処する。
近年の進歩は機械学習(ML)と強化学習(RL)を用いてBBOを強化している。
論文 参考訳（メタデータ） (2025-09-29T23:28:42Z) - A Provably Convergent Plug-and-Play Framework for Stochastic Bilevel Optimization [4.703514158152835]
Bilevelは最近、幅広いアプリケーションと高度な階層最適化機能のために、機械学習に大きな注目を集めている。
本稿では,双方向最適化手法の開発と解析を行うためのBOというプラグイン・アンド・プレイフレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-02T13:26:43Z) - Building Rome with Convex Optimization [6.209232908521727]
本研究では2次元鍵点計測を学習深度で3次元に引き上げるスケールドバンドル調整(SBA)法を提案する。
XM-SfM は再建品質の点で既存のパイプラインと良好に比較できることを示す。
論文 参考訳（メタデータ） (2025-02-07T03:53:46Z) - Decoding-Time Language Model Alignment with Multiple Objectives [116.42095026960598]
既存の手法は主に、1つの報酬関数に対してLMを最適化することに集中し、それらの適応性は様々な目的に制限される。
本稿では,予測の線形結合から次のトークンを出力する復号時間アルゴリズムである$textbfmulti-objective decoding (MOD)$を提案する。
提案手法は, 自然条件下であっても, 既存のアプローチが準最適であることを示すとともに, 提案手法の最適性を保証する。
論文 参考訳（メタデータ） (2024-06-27T02:46:30Z) - Beyond One-Preference-Fits-All Alignment: Multi-Objective Direct Preference Optimization [76.09576643028362]
複数のアライメント目的に対してMODPO(Multi-Objective Direct Preference Optimization)を提案する。
MODPOは、言語モデリングを直接報酬モデルに折り畳み、暗黙の集団報酬モデルとして言語モデルを訓練する。
理論的には MORLHF と同じ最適解が得られるが、実質的にはより安定で効率的である。
論文 参考訳（メタデータ） (2023-10-05T17:35:26Z) - Optimizer Amalgamation [124.33523126363728]
私たちは、Amalgamationという新しい問題の研究を動機付けています。"Teacher"アマルガメーションのプールを、より強力な問題固有のパフォーマンスを持つ単一の"学生"にどのように組み合わせるべきなのでしょうか?
まず、勾配降下による解析のプールをアマルガメートする3つの異なるメカニズムを定義する。
また, プロセスの分散を低減するため, 目標を摂動させることでプロセスの安定化を図る。
論文 参考訳（メタデータ） (2022-03-12T16:07:57Z) - Optimization-Inspired Learning with Architecture Augmentations and
Control Mechanisms for Low-Level Vision [74.9260745577362]
本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。
フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。
低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
論文 参考訳（メタデータ） (2020-12-10T03:24:53Z)
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。