論文の概要: Do We Really Need to Approach the Entire Pareto Front in Many-Objective Bayesian Optimisation?

• arxiv url: http://arxiv.org/abs/2604.09417v1
• Date: Fri, 10 Apr 2026 15:27:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.933142
• Title: Do We Really Need to Approach the Entire Pareto Front in Many-Objective Bayesian Optimisation?
• Title（参考訳）: 多目的ベイズ最適化におけるパレト戦線へのアプローチは本当に必要か?
• Authors: Chao Jiang, Jingyu Huang, Miqing Li,
• Abstract要約: 多目的最適化は、3つ以上の目的を持つ最適化問題を含む。 目的の数が増加するにつれて、パレートフロント全体を適切に表現するために必要な解の数が大幅に増加する。 本稿では、目的間の良好なトレードオフをもたらす方向に沿って、解の質を向上させることを目的とした、アンダーラインポイントに基づくアンダーラインマルチアンダーラインオブジェクティブ検索フレームワーク(SPMO)を提案する。
• 参考スコア（独自算出の注目度）: 10.970091142734603
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many-objective optimisation, a subset of multi-objective optimisation, involves optimisation problems with more than three objectives. As the number of objectives increases, the number of solutions needed to adequately represent the entire Pareto front typically grows substantially. This makes it challenging, if not infeasible, to design a search algorithm capable of effectively exploring the entire Pareto front. This difficulty is particularly acute in the Bayesian optimisation paradigm, where sample efficiency is critical and only a limited number of solutions (often a few hundred) are evaluated. Moreover, after the optimisation process, the decision-maker eventually selects just one solution for deployment, regardless of how many high-quality, diverse solutions are available. In light of this, we argue an idea that under a very limited evaluation budget, it may be more useful to focus on finding a single solution of the highest possible quality for the decision-maker, rather than aiming to approximate the entire Pareto front as existing many-/multi-objective Bayesian optimisation methods typically do. Bearing this idea in mind, this paper proposes a \underline{s}ingle \underline{p}oint-based \underline{m}ulti-\underline{o}bjective search framework (SPMO) that aims to improve the quality of solutions along a direction that leads to a good tradeoff between objectives. Within SPMO, we present a simple acquisition function, called expected single-point improvement (ESPI), working under both noiseless and noisy scenarios. We show that ESPI can be optimised effectively with gradient-based methods via the sample average approximation (SAA) approach and theoretically prove its convergence guarantees under the SAA. We also empirically demonstrate that the proposed SPMO is computationally tractable and outperforms state-of-the-arts on a wide range of benchmark and real-world problems.
• Abstract（参考訳）: 多目的最適化のサブセットである多目的最適化は、3つ以上の目的を持つ最適化問題を含む。 目的の数が増加するにつれて、パレートフロント全体を適切に表現するために必要な解の数が大幅に増加する。 これにより、パレートフロント全体を効果的に探索できる検索アルゴリズムを設計することは不可能である。 この困難さは、サンプル効率が重要であり、限られた数の解(しばしば数百)しか評価されないベイズ最適化パラダイムにおいて特に顕著である。 さらに、最適化プロセスの後、最終的に意思決定者は、高品質で多様なソリューションがいくつあるかに関わらず、デプロイのためのソリューションを1つだけ選択する。 これを踏まえて、非常に限られた評価予算の下では、既存の多目的ベイズ最適化手法のようにパレートフロント全体を近似することを目指すよりも、意思決定者にとって可能な最高の品質の単一解を見つけることに集中することがより有用である、という考え方を論じる。 この考えを念頭に置いて,本論文では,目的間の良好なトレードオフをもたらす方向に沿って,解の質を向上させることを目的とした,従って \underline{s}ingle \underline{p}oint-based \underline{m}ulti-\underline{o}bjective search framework (SPMO)を提案する。 SPMO内では、ノイズのないシナリオとノイズの多いシナリオの両方で動作する、期待シングルポイント改善(ESPI)と呼ばれる単純な取得関数が提示される。 ESPIはサンプル平均近似(SAA)アプローチにより勾配法で効果的に最適化でき、理論上はSAA下での収束保証を証明できることを示す。 また,提案したSPMOは計算処理可能であり,幅広いベンチマークや実世界の問題に対して,最先端技術よりも優れていることを実証的に実証した。

関連論文リスト

• Parametric Expensive Multi-Objective Optimization via Generative Solution Modeling [34.344228998247225]
  本稿では,この逆モデルについて,獲得駆動探索モデルと生成モデルとの交互に学習した最初のパラメトリック多目的ベイズモデルを提案する。 我々はタスク対応ガウス過程を通じてタスク間シナジーを活用することにより、より高速な収束を理論的に正当化する。
  論文  参考訳（メタデータ） (2025-11-12T15:13:27Z)
• Bounded Rationality for LLMs: Satisficing Alignment at Inference-Time [52.230936493691985]
  本稿では,2次基準のしきい値に基づく制約を満たしつつ,主目的を最大化し,アライメントの多面性に対処する推論フレームワークSITAlignを提案する。 我々は、満足度に基づく推論アライメントアプローチの準最適境界を導出することで理論的洞察を提供する。
  論文  参考訳（メタデータ） (2025-05-29T17:56:05Z)
• Preference-Optimized Pareto Set Learning for Blackbox Optimization [1.9628841617148691]
  すべての目的を同時に最適化できる単一のソリューションはありません。 典型的なMOO問題では、目的間の好みを交換する最適解(パレート集合)を見つけることが目的である。 我々の定式化は、例えば微分可能なクロスエントロピー法によって解決できる二段階最適化問題につながる。
  論文  参考訳（メタデータ） (2024-08-19T13:23:07Z)
• Optimizing Solution-Samplers for Combinatorial Problems: The Landscape of Policy-Gradient Methods [52.0617030129699]
  本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。 我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。 本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
  論文  参考訳（メタデータ） (2023-10-08T23:39:38Z)
• BOtied: Multi-objective Bayesian optimization with tied multivariate ranks [33.414682601242006]
  本稿では,非支配解と結合累積分布関数の極端量子化との自然な関係を示す。 このリンクにより、我々はPareto対応CDFインジケータと関連する取得関数BOtiedを提案する。 種々の合成および実世界の問題に対する実験により,BOtied は最先端MOBO 取得関数より優れていることが示された。
  論文  参考訳（メタデータ） (2023-06-01T04:50:06Z)
• Joint Entropy Search for Multi-objective Bayesian Optimization [0.0]
  本稿では,統合エントロピー探索(Joint Entropy Search)と呼ばれるBOのための情報理論獲得関数を提案する。 本稿では, ハイパーボリュームとその重み付き変種の観点から, 合成および実世界の諸問題に対するこの新しいアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2022-10-06T13:19:08Z)
• A Robust Multi-Objective Bayesian Optimization Framework Considering Input Uncertainty [0.0]
  エンジニアリング設計のような現実的なアプリケーションでは、設計者は複数の目的と入力の不確実性を考慮に入れたい場合が多い。 入力の不確実性を考慮した多目的最適化を効率的に行うための新しいベイズ最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-25T17:45:26Z)
• Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
  非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。 本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
  論文  参考訳（メタデータ） (2022-01-28T05:53:28Z)

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。