論文の概要: Collaborative Contextual Bayesian Optimization

• arxiv url: http://arxiv.org/abs/2604.18912v1
• Date: Mon, 20 Apr 2026 23:28:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.537292
• Title: Collaborative Contextual Bayesian Optimization
• Title（参考訳）: 協調文脈ベイズ最適化
• Authors: Chih-Yu Chang, Qiyuan Chen, Tianhan Gao, David Fenning, Chinedum Okwudire, Neil Dasgupta, Wei Lu, Raed Al Kontar,
• Abstract要約: 文脈ベイズ最適化(CBO)は、コンテキスト空間から対応する最適設計への全マッピングを近似することを目的としている。 CBOは、コンテキスト空間から対応する最適設計への全マッピングを近似する必要があるため、より難しい。 本稿では,複数のクライアントが制御可能なコンテキストで協調的にCBOを実行するための統合フレームワークCCBOを提案する。
• 参考スコア（独自算出の注目度）: 8.326135672859204
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Discovering optimal designs through sequential data collection is essential in many real-world applications. While Bayesian Optimization (BO) has achieved remarkable success in this setting, growing attention has recently turned to context-specific optimal design, formalized as Contextual Bayesian Optimization (CBO). Unlike BO, CBO is inherently more challenging as it must approximate an entire mapping from the context space to its corresponding optimal design, requiring simultaneous exploration across contexts and exploitation within each. In many modern applications, such tasks arise across multiple potentially heterogeneous but related clients, where collaboration can significantly improve learning efficiency. We propose CCBO, Collaborative Contextual Bayesian Optimization, a unified framework enabling multiple clients to jointly perform CBO with controllable contexts, supporting both online collaboration and offline initialization from peers' historical beliefs, with an optional privacy-preserving communication mechanism. We establish sublinear regret guarantees and demonstrate, through extensive simulations and a real-world hot rolling application, that CCBO achieves substantial improvements over existing approaches even under client heterogeneity. The code to reproduce the results can be found at https://github.com/cchihyu/Collaborative-Contextual-Bayesian-Optimization
• Abstract（参考訳）: シーケンシャルなデータ収集を通じて最適な設計を発見することは、多くの現実世界のアプリケーションにおいて不可欠である。 ベイズ最適化(BO)はこの設定で顕著な成功を収めてきたが、近年はコンテキスト特異的な最適設計に注目が向けられ、コンテキストベイズ最適化(CBO)として形式化されている。 BOとは異なり、CBOはコンテキスト空間から対応する最適設計への全マッピングを近似し、それぞれのコンテキストを同時に探索し、それぞれの操作を同時に行う必要があるため、本質的により困難である。 現代の多くのアプリケーションでは、このようなタスクは、潜在的に異種であるが関連する複数のクライアントにまたがって発生し、協調によって学習効率が大幅に向上する。 我々は、複数のクライアントが制御可能なコンテキストで協調してCBOを実行できる統一的なフレームワークであるCCBO(Collaborative Contextual Bayesian Optimization)を提案する。 我々は,大規模なシミュレーションと実世界の熱間圧延アプリケーションを通じて,クライアントの不均一性下においても,CCBOは既存手法よりも大幅に改善されていることを示す。 結果を再現するコードはhttps://github.com/cchihyu/Collaborative-Contextual-Bayesian-Optimizationにある。

関連論文リスト

• ARCO-BO: Adaptive Resource-aware COllaborative Bayesian Optimization for Heterogeneous Multi-Agent Design [17.623641273672337]
  適応資源認識協調ベイズ最適化(ARCO-BO)を導入する。 ARCO-BOはマルチエージェント最適化における不均一性を明示的に説明している。 合成および高次元工学的問題に対する実験により、ARCO-BOは独立BOより一貫して優れていた。
  論文  参考訳（メタデータ） (2025-10-18T22:06:10Z)
• Collaborative Bayesian Optimization via Wasserstein Barycenters [11.41081495236219]
  我々は,ブラックボックス最適化とデータプライバシ問題に対処する協調ベイズ最適化(BO)フレームワークを導入する。 このフレームワークでは、エージェントはオラクルしかアクセスできない機能を最適化するために協力して働く。 我々は,提案アルゴリズムが数値的に一貫したものであり,モンテカルロ法による実装が正確であることを証明した。
  論文  参考訳（メタデータ） (2025-04-15T00:15:09Z)
• Offline Learning for Combinatorial Multi-armed Bandits [56.96242764723241]
  Off-CMABはCMABの最初のオフライン学習フレームワークである。 Off-CMABは悲観的な報酬推定と解法を組み合わせる。 合成および実世界のデータセットの実験は、CLCBの優れた性能を強調している。
  論文  参考訳（メタデータ） (2025-01-31T16:56:18Z)
• Client-Centric Federated Adaptive Optimization [78.30827455292827]
  Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。 本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
  論文  参考訳（メタデータ） (2025-01-17T04:00:50Z)
• Cost-Sensitive Multi-Fidelity Bayesian Optimization with Transfer of Learning Curve Extrapolation [55.75188191403343]
  各ユーザが事前に定義した機能であるユーティリティを導入し,BOのコストと性能のトレードオフについて述べる。 このアルゴリズムをLCデータセット上で検証した結果,従来のマルチファイルBOや転送BOベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2024-05-28T07:38:39Z)
• Enhanced Bayesian Optimization via Preferential Modeling of Abstract Properties [49.351577714596544]
  本研究では,非測定抽象特性に関する専門家の嗜好を代理モデルに組み込むための,人間とAIの協調型ベイズフレームワークを提案する。 優先判断において、誤った/誤解を招く専門家バイアスを処理できる効率的な戦略を提供する。
  論文  参考訳（メタデータ） (2024-02-27T09:23:13Z)
• Collaborative and Distributed Bayesian Optimization via Consensus: Showcasing the Power of Collaboration for Optimal Design [7.066023612489374]
  ベイズ最適化のための新しい協調パラダイムを提案する。 私たちのアプローチは、さまざまなコラボレーションメカニズムを組み込むことのできる、汎用的で柔軟なフレームワークを提供します。 我々のフレームワークは、最適な設計プロセスを効果的に加速し、改善し、すべての参加者に利益をもたらすことを示しています。
  論文  参考訳（メタデータ） (2023-06-25T21:43:05Z)
• Personalizing Federated Learning with Over-the-Air Computations [84.8089761800994]
  フェデレートされたエッジ学習は、プライバシー保護の方法で無線ネットワークのエッジにインテリジェンスをデプロイする、有望な技術である。 このような設定の下で、複数のクライアントは、エッジサーバの調整の下でグローバルジェネリックモデルを協調的にトレーニングする。 本稿では,アナログオーバー・ザ・エア計算を用いて通信ボトルネックに対処する分散トレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-02-24T08:41:19Z)
• Multi-Fidelity Bayesian Optimization via Deep Neural Networks [19.699020509495437]
  多くのアプリケーションでは、目的関数を複数の忠実度で評価することで、コストと精度のトレードオフを可能にする。 本稿では,DNN-MFBO(Deep Neural Network Multi-Fidelity Bayesian Optimization)を提案する。 本手法の利点は, 総合的なベンチマークデータセットと, 工学設計における実世界の応用の両方にある。
  論文  参考訳（メタデータ） (2020-07-06T23:28:40Z)

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。