論文の概要: Bayesian Optimization for Mixed-Variable Problems in the Natural Sciences

• arxiv url: http://arxiv.org/abs/2604.07416v1
• Date: Wed, 08 Apr 2026 13:55:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.463059
• Title: Bayesian Optimization for Mixed-Variable Problems in the Natural Sciences
• Title（参考訳）: 自然科学における混合変数問題に対するベイズ最適化
• Authors: Yuhao Zhang, Ti John, Matthias Stosiek, Patrick Rinke,
• Abstract要約: 我々はDaultonらのPRアプローチを一般化し、非等価離散変数を扱う。 提案手法は,高度に不連続かつ離散化された客観的景観を効率的に最適化できることを示す。 この研究は、自然科学における完全混合最適化問題に対処するための実践的なBOフレームワークを確立する。
• 参考スコア（独自算出の注目度）: 2.922207081180103
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optimizing expensive black-box objectives over mixed search spaces is a common challenge across the natural sciences. Bayesian optimization (BO) offers sample-efficient strategies through probabilistic surrogate models and acquisition functions. However, its effectiveness diminishes in mixed or high-cardinality discrete spaces, where gradients are unavailable and optimizing the acquisition function becomes computationally demanding. In this work, we generalize the probabilistic reparameterization (PR) approach of Daulton et al. to handle non-equidistant discrete variables, enabling gradient-based optimization in fully mixed-variable settings with Gaussian process (GP) surrogates. With real-world scientific optimization tasks in mind, we conduct systematic benchmarks on synthetic and experimental objectives to obtain an optimized kernel formulations and demonstrate the robustness of our generalized PR method. We additionally show that, when combined with a modified BO workflow, our approach can efficiently optimize highly discontinuous and discretized objective landscapes. This work establishes a practical BO framework for addressing fully mixed optimization problems in the natural sciences, and is particularly well suited to autonomous laboratory settings where noise, discretization, and limited data are inherent.
• Abstract（参考訳）: 複雑な検索空間に対して高価なブラックボックスの目的を最適化することは、自然科学において共通の課題である。 ベイズ最適化(BO)は確率的サロゲートモデルと取得関数によるサンプリング効率のよい戦略を提供する。 しかし、その有効性は、勾配が得られず、取得関数の最適化が計算的に要求される混合または高心性離散空間において低下する。 本研究では、Daultonらによる確率的再パラメータ化(PR)アプローチを一般化し、非等価な離散変数を扱えるようにし、ガウス過程(GP)サロゲートを用いた完全混合変数設定での勾配に基づく最適化を可能にする。 実世界の科学的最適化タスクを念頭に置いて、我々は、最適化されたカーネルの定式化と一般化されたPR法の堅牢性を示すために、合成および実験目的の体系的なベンチマークを行う。 さらに、修正BOワークフローと組み合わせることで、高度に不連続かつ離散化された客観的な景観を効率的に最適化できることを示す。 この研究は、自然科学における完全混合最適化問題に対処するための実践的なBOフレームワークを確立し、特にノイズ、離散化、制限されたデータが固有の自律的な実験室環境に適している。

関連論文リスト

• Spectral Mixture Kernels for Bayesian Optimization [3.8601741392210434]
  本稿では,スペクトル混合カーネルを組み込んだガウス過程に基づく新しいBO法を提案する。 この手法は効率と最適化性能の両方において大幅に向上する。 最適な情報を得る際の情報獲得と累積的後悔の限界を提供する。
  論文  参考訳（メタデータ） (2025-05-23T02:07:26Z)
• Bayesian Optimization by Kernel Regression and Density-based Exploration [15.763320101917074]
  カーネル回帰と密度に基づく探索(BOKE)アルゴリズム。 BOKEは、効率的な関数近似、探索のためのカーネル密度にカーネル回帰を使用し、それらを信頼境界基準に統合して最適化プロセスの導出を行う。 我々は,BOKEがガウス的プロセスベース法や他のベースライン法と競合するだけでなく,計算効率も優れていることを示した。
  論文  参考訳（メタデータ） (2025-02-10T06:16:51Z)
• qPOTS: Efficient batch multiobjective Bayesian optimization via Pareto optimal Thompson sampling [0.0]
  多目的最適化を解くためのサンプル効率のアプローチは、プロセス・オラクル・サロゲート(GP)とMOBOOTS$である。 我々はトンプソンサンプリング(TS)に基づくアプローチ(qtextttPOTS$)を提案する。 $qtextttPOTS$は、GP後部の安価な多目的最適化を進化的アプローチで解決する。
  論文  参考訳（メタデータ） (2023-10-24T12:35:15Z)
• 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)
• Provably Efficient Bayesian Optimization with Unknown Gaussian Process Hyperparameter Estimation [44.53678257757108]
  目的関数の大域的最適値にサブ線形収束できる新しいBO法を提案する。 本手法では,BOプロセスにランダムなデータポイントを追加するために,マルチアームバンディット法 (EXP3) を用いる。 提案手法は, 様々な合成および実世界の問題に対して, 既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-12T03:35:45Z)
• An Empirical Evaluation of Zeroth-Order Optimization Methods on AI-driven Molecule Optimization [78.36413169647408]
  分子目的を最適化するための様々なZO最適化手法の有効性について検討する。 ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。 本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-10-27T01:58:10Z)
• Tree ensemble kernels for Bayesian optimization with known constraints over mixed-feature spaces [54.58348769621782]
  木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。 ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。 我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-02T16:59:37Z)
• Sparse Bayesian Optimization [16.867375370457438]
  よりスパースで解釈可能な構成を発見できる正規化ベースのアプローチをいくつか提示する。 そこで本研究では,同相連続に基づく新たな微分緩和法を提案し,空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間 スパシティのために効率的に最適化できることが示されています。
  論文  参考訳（メタデータ） (2022-03-03T18:25:33Z)
• Zeroth-Order Hybrid Gradient Descent: Towards A Principled Black-Box Optimization Framework [100.36569795440889]
  この作業は、一階情報を必要としない零次最適化(ZO)の反復である。 座標重要度サンプリングにおける優雅な設計により,ZO最適化法は複雑度と関数クエリコストの両面において効率的であることを示す。
  論文  参考訳（メタデータ） (2020-12-21T17:29:58Z)
• Global Optimization of Gaussian processes [52.77024349608834]
  少数のデータポイントで学習したガウス過程を訓練した空間定式化を提案する。 このアプローチはまた、より小さく、計算的にもより安価なサブソルバを低いバウンディングに導く。 提案手法の順序の順序による時間収束を,総じて低減する。
  論文  参考訳（メタデータ） (2020-05-21T20:59:11Z)

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。