論文の概要: Optimization with SpotOptim

• arxiv url: http://arxiv.org/abs/2604.13672v1
• Date: Wed, 15 Apr 2026 09:39:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.474824
• Title: Optimization with SpotOptim
• Title（参考訳）: SpotOptimによる最適化
• Authors: Thomas Bartz-Beielstein,
• Abstract要約: spotoptimパッケージはPythonのブラックボックス関数のサロゲートモデルに基づく最適化を実装している。 本稿では、Spotoptimのアーキテクチャとモジュール構造を説明し、実例を示し、BoTorch、Optuna、Ray Tune、BOHB、SMAC、Hyperoptと比較する。
• 参考スコア（独自算出の注目度）: 0.304585143845864
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The `spotoptim` package implements surrogate-model-based optimization of expensive black-box functions in Python. Building on two decades of Sequential Parameter Optimization (SPO) methodology, it provides a Kriging-based optimization loop with Expected Improvement, support for continuous, integer, and categorical variables, noise-aware evaluation via Optimal Computing Budget Allocation (OCBA), and multi-objective extensions. A steady-state parallelization strategy overlaps surrogate search with objective evaluation on multi-core hardware, and a success-rate-based restart mechanism detects stagnation while preserving the best solution found. The package returns scipy-compatible `OptimizeResult` objects and accepts any scikit-learn-compatible surrogate model. Built-in TensorBoard logging provides real-time monitoring of convergence and surrogate quality. This report describes the architecture and module structure of spotoptim, provides worked examples including neural network hyperparameter tuning, and compares the framework with BoTorch, Optuna, Ray Tune, BOHB, SMAC, and Hyperopt. The package is open-source.
• Abstract（参考訳）: spotoptimパッケージは、Pythonの高価なブラックボックス関数のサロゲートモデルに基づく最適化を実装している。 20年にわたる逐次パラメータ最適化(SPO)手法に基づいて、期待される改善、連続変数、整数変数、カテゴリ変数のサポート、最適計算予算割当(OCBA)によるノイズ認識評価、多目的拡張を備えたクリギングベースの最適化ループを提供する。 定常並列化戦略は、サロゲート探索とマルチコアハードウェアの客観的評価を重なり、成功率に基づく再起動機構は、最適な解を保ちながら停滞を検出する。 パッケージは、scipy互換の `OptimizeResult` オブジェクトを返却し、任意のScikit-learn互換のサロゲートモデルを受け入れる。 組み込みのTensorBoardロギングは、コンバージェンスとサロゲート品質のリアルタイムモニタリングを提供する。 本稿では、Spotoptimのアーキテクチャとモジュール構造を説明し、ニューラルネットワークハイパーパラメータチューニングを含む実例を提供し、BoTorch、Optuna、Ray Tune、BOHB、SMAC、Hyperoptと比較する。 パッケージはオープンソースである。

関連論文リスト

• POLCA: Stochastic Generative Optimization with LLM [26.342554900977003]
  局所文脈を用いた優先順位付け最適化(POLCA)を導入する。 POLCAは、最適化におけるパラメータ性を扱うために設計されたスケーラブルなフレームワークである。 我々は,POLCAが頑健,サンプル,時間効率の両立を実証した。
  論文  参考訳（メタデータ） (2026-03-16T03:07:44Z)
• Neural Nonmyopic Bayesian Optimization in Dynamic Cost Settings [73.44599934855067]
  LookaHESは、動的で履歴に依存したコスト環境のために設計された非心筋BOフレームワークである。 LookaHESは、$H$-Entropy Searchのマルチステップ版と、パスワイズサンプリングとニューラルポリシー最適化を組み合わせたものだ。 私たちの革新は、構造化されたドメイン固有のアクションスペースを効果的にナビゲートするために、大きな言語モデルを含むニューラルポリシーの統合です。
  論文  参考訳（メタデータ） (2026-01-10T09:49:45Z)
• QMetro++ -- Python optimization package for large scale quantum metrology with customized strategy structures [0.0]
  QMetro++は最適な推定プロトコルを特定するためのPythonパッケージである。 このパッケージは、最近開発されたQFIの基本上界の計算方法の実装を伴っている。
  論文  参考訳（メタデータ） (2025-06-19T18:13:22Z)
• Poisson Process for Bayesian Optimization [126.51200593377739]
  本稿では、Poissonプロセスに基づくランキングベースの代理モデルを提案し、Poisson Process Bayesian Optimization(PoPBO)と呼ばれる効率的なBOフレームワークを提案する。 従来のGP-BO法と比較すると,PoPBOはコストが低く,騒音に対する堅牢性も良好であり,十分な実験により検証できる。
  論文  参考訳（メタデータ） (2024-02-05T02:54:50Z)
• 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)
• NUBO: A Transparent Python Package for Bayesian Optimization [0.0]
  NUBOは物理実験やコンピュータシミュレータなどのブラックボックス機能を最適化するためのフレームワークである。 透明性とユーザエクスペリエンスを重視し、ベイズ最適化をあらゆる分野の研究者が利用できるようにする。 NUBOはPythonで書かれているが、シミュレータや実験を最適化するためにPythonの専門知識は必要ない。
  論文  参考訳（メタデータ） (2023-05-11T10:34:27Z)
• 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)
• Shapley-NAS: Discovering Operation Contribution for Neural Architecture Search [96.20505710087392]
  ニューラルアーキテクチャ探索のための演算寄与度(Shapley-NAS)を評価するためのShapley値に基づく手法を提案する。 提案手法は,光探索コストに比例して最先端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） (2022-06-20T14:41:49Z)
• Surrogate modeling for Bayesian optimization beyond a single Gaussian process [62.294228304646516]
  本稿では,探索空間の活用と探索のバランスをとるための新しいベイズ代理モデルを提案する。 拡張性のある関数サンプリングを実現するため、GPモデル毎にランダムな特徴ベースのカーネル近似を利用する。 提案した EGP-TS を大域的最適に収束させるため,ベイズ的後悔の概念に基づいて解析を行う。
  論文  参考訳（メタデータ） (2022-05-27T16:43:10Z)
• pysamoo: Surrogate-Assisted Multi-Objective Optimization in Python [7.8140593450932965]
  pysamooは計算コストの高い最適化問題を解決するためのフレームワークである。 pysamooは、時間を要する評価機能に関わる問題に対処する複数の最適化方法を提供する。 pysamooの詳細については、Anyoptimization.com/projects/pysamooを参照してほしい。
  論文  参考訳（メタデータ） (2022-04-12T14:55:57Z)
• BOSH: Bayesian Optimization by Sampling Hierarchically [10.10241176664951]
  本稿では,階層的なガウス過程と情報理論の枠組みを組み合わせたBOルーチンを提案する。 BOSHは, ベンチマーク, シミュレーション最適化, 強化学習, ハイパーパラメータチューニングタスクにおいて, 標準BOよりも効率的で高精度な最適化を実現する。
  論文  参考訳（メタデータ） (2020-07-02T07:35:49Z)

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。