論文の概要: Multi-Objective Bayesian Optimization via Adaptive \varepsilon-Constraints Decomposition

• arxiv url: http://arxiv.org/abs/2604.15959v1
• Date: Fri, 17 Apr 2026 11:24:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.891943
• Title: Multi-Objective Bayesian Optimization via Adaptive \varepsilon-Constraints Decomposition
• Title（参考訳）: Adaptive \varepsilon-Constraints Decompositionによる多目的ベイズ最適化
• Authors: Yaohong Yang, Sammie Katt, Samuel Kaski,
• Abstract要約: 逐次的ゲティング適応ギャップフィリング$varepsilon$-Constraint Bayesian Optimizationを提案する。 近似パレートフロントのカバレッジを解析することにより,最も大きな幾何学的ギャップを同定する。 これらのギャップは制約として使用され、問題から不等式に制約されたサブプロブレムの列へと変換される。
• 参考スコア（独自算出の注目度）: 19.76344805798142
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-objective Bayesian optimization (MOBO) provides a principled framework for optimizing expensive black-box functions with multiple objectives. However, existing MOBO methods often struggle with coverage, scalability with respect to the number of objectives, and integrating constraints and preferences. In this work, we propose \textit{STAGE-BO, Sequential Targeting Adaptive Gap-Filling $\varepsilon$-Constraint Bayesian Optimization}, that explicitly targets under-explored regions of the Pareto front. By analyzing the coverage of the approximate Pareto front, our method identifies the largest geometric gaps. These gaps are then used as constraints, which transforms the problem into a sequence of inequality-constrained subproblems, efficiently solved via constrained expected improvement acquisition. Our approach provides a uniform Pareto coverage without hypervolume computation and naturally applies to constrained and preference-based settings. Experiments on synthetic and real-world benchmarks demonstrate superior coverage and competitive hypervolume performance against state-of-the-art baselines.
• Abstract（参考訳）: 多目的ベイズ最適化(MOBO)は、高額なブラックボックス関数を複数の目的で最適化するための原則的なフレームワークを提供する。 しかし、既存のMOBOメソッドは、しばしばカバレッジ、目的数に関するスケーラビリティ、制約と優先事項の統合に苦労する。 そこで本研究では,パレートフロントの探索されていない領域を明示的に対象とする<textit{STAGE-BO, Sequential Targeting Adaptive Gap-Filling $\varepsilon$-Constraint Bayesian Optimization}を提案する。 近似パレートフロントのカバレッジを解析することにより,最も大きな幾何学的ギャップを同定する。 これらのギャップは制約として使用され、不等式に制約されたサブプロブレムの列に変換され、制約付き期待された改善獲得によって効率よく解決される。 提案手法は,ハイパーボリューム計算を使わずに均一なパレートのカバレッジを提供し,制約付きおよび嗜好ベースの設定に自然に適用する。 合成および実世界のベンチマークの実験は、最先端のベースラインに対して優れたカバレッジと競争的なハイパーボリューム性能を示す。

関連論文リスト

• BAMBO: Construct Ability and Efficiency LLM Pareto Set via Bayesian Adaptive Multi-objective Block-wise Optimization [4.196004665145396]
  BAMBO(Bayesian Adaptive Multi-objective Block-wise Optimization)は、大規模言語モデル(LLM)を自動的に構築する新しいフレームワークである。 1次元クラスタリング問題として定式化されたこの戦略は、動的プログラミング手法を利用してブロック内およびブロック間情報の分散を最適にバランスさせる。
  論文  参考訳（メタデータ） (2025-12-10T15:32:56Z)
• OrthAlign: Orthogonal Subspace Decomposition for Non-Interfering Multi-Objective Alignment [61.02595549125661]
  大規模言語モデル(LLM)のアライメントは、複数の人間の好みに対処する際に重要なジレンマに直面します。 我々は、優先順位調整における勾配レベルの対立を解決する革新的なアプローチであるOrthAlignを提案する。 我々はOrthAlignが多重目的アライメント後の34.61%から50.89%の最大単一参照改善を実現していることを示す。
  論文  参考訳（メタデータ） (2025-09-29T11:16:30Z)
• SPREAD: Sampling-based Pareto front Refinement via Efficient Adaptive Diffusion [0.8594140167290097]
  SPREADは拡散確率モデル(DDPM)に基づく生成フレームワークである 決定空間からサンプリングされた点上の条件拡散過程を学習する。 適応的多重勾配降下インスパイアされた更新を高速収束に利用するサンプリングスキームにより、候補を洗練する。
  論文  参考訳（メタデータ） (2025-09-25T12:09:37Z)
• Simple Optimizers for Convex Aligned Multi-Objective Optimization [19.421000251704168]
  標準の滑らかさやリプシッツ連続性条件下での凸AMOOの勾配差アルゴリズムについて検討した。 我々はツールを開発し、AMOOを凸するスケーラブルなアルゴリズムを提案し、収束保証を確立する。
  論文  参考訳（メタデータ） (2025-09-06T19:08:35Z)
• Scalable Min-Max Optimization via Primal-Dual Exact Pareto Optimization [66.51747366239299]
  拡張ラグランジアンに基づくmin-max問題のスムーズな変種を提案する。 提案アルゴリズムは, 段階的戦略よりも目的数で拡張性が高い。
  論文  参考訳（メタデータ） (2025-03-16T11:05:51Z)
• Non-Myopic Multi-Objective Bayesian Optimization [64.31753000439514]
  多目的最適化問題を解くために、有限水平逐次実験設計の問題を考察する。 この問題は、材料設計を含む多くの現実世界の応用で発生する。 我々はMOO問題に対する最初の非ミオピック手法を提案する。
  論文  参考訳（メタデータ） (2024-12-11T04:05:29Z)
• Faster Algorithm and Sharper Analysis for Constrained Markov Decision Process [56.55075925645864]
  制約付き意思決定プロセス (CMDP) の問題点について検討し, エージェントは, 複数の制約を条件として, 期待される累積割引報酬を最大化することを目的とする。 新しいユーティリティ・デュアル凸法は、正規化ポリシー、双対正則化、ネステロフの勾配降下双対という3つの要素の新たな統合によって提案される。 これは、凸制約を受ける全ての複雑性最適化に対して、非凸CMDP問題が$mathcal O (1/epsilon)$の低い境界に達する最初の実演である。
  論文  参考訳（メタデータ） (2021-10-20T02:57:21Z)
• A Hybrid 2-stage Neural Optimization for Pareto Front Extraction [3.918940900258555]
  最適なトレードオフソリューションに対する大きな障害は、それらが必ずしも互いに収束しないことです。 正確かつ費用対効果の高い二段階アプローチを提案する。
  論文  参考訳（メタデータ） (2021-01-27T20:56:19Z)

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。