論文の概要: Categorical Optimization with Bayesian Anchored Latent Trust Regions for Structural Design under High-Dimensional Uncertainty
- arxiv url: http://arxiv.org/abs/2604.25241v1
- Date: Tue, 28 Apr 2026 05:45:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-29 16:49:17.723876
- Title: Categorical Optimization with Bayesian Anchored Latent Trust Regions for Structural Design under High-Dimensional Uncertainty
- Title（参考訳）: 高次元不確かさ下における構造設計のためのベイズアンコレート潜在信頼領域を用いたカテゴリー最適化
- Authors: Zhangyong Liang, Huanhuan Gao,
- Abstract要約: アレタリック不確実性の下でのカテゴリー構造最適化は、各設計変数が許容可能なインスタンスの有限カタログから選択されなければならないため、困難である。
既存の潜在空間最適化戦略は、カタログ属性の次元性を低下させるが、空間の縮小を連続的な探索領域として扱うことが多い。
本稿では,textbfCategorical textbfOptimization with textbfBayesian textbfAnchored textbfLatent textbfTrust Regions (textbfCO)を提案する。
- 参考スコア（独自算出の注目度）: 0.24554686192257416
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Categorical structural optimization under aleatoric uncertainty is challenging because each design variable must be selected from a finite catalog of admissible instances, while each candidate design may require expensive stochastic finite-element evaluations. Existing latent-space optimization strategies can reduce the dimensionality of catalog attributes, but they often treat the reduced space as a continuous search domain. The resulting continuous optimum must then be rounded off to a nearby catalog instance, which may alter the objective value, constraint status, or physical interpretation of the design. To address this issue, this paper proposes the \textbf{C}ategorical \textbf{O}ptimization with \textbf{B}ayesian \textbf{A}nchored \textbf{L}atent \textbf{T}rust Regions (\textbf{COBALT}) framework for high-dimensional categorical Optimization Under Uncertainty. COBALT first embeds the physical catalog into a low-dimensional latent representation and locks the mapped instances as a discrete anchored graph. A data-independent random tree decomposition is then used to provide bounded-complexity additive modeling over high-dimensional categorical variables. On this anchored domain, an additive SAAS-GP surrogate is fitted to heteroscedastic MC-FEA observations, and a trust-region discrete graph acquisition search selects the next admissible catalog configuration without continuous relaxation or rounding-off. The proposed strategy is applied to robust design optimization of complex bar structures, considering structural weight, strain energy, and local buckling performance. By evaluating only valid catalog designs through the MC-FEA oracle, COBALT preserves physical admissibility throughout the active learning loop and improves the efficiency of robust categorical structural optimization.
- Abstract（参考訳）: 線形不確実性の下での分類的構造最適化は、各設計変数は許容可能な有限個のインスタンスのカタログから選択されなければならないが、それぞれの候補設計は高価な確率的有限要素評価を必要とする。
既存の潜在空間最適化戦略は、カタログ属性の次元性を低下させるが、空間の縮小を連続的な探索領域として扱うことが多い。
結果の連続的な最適化は、設計の客観的値、制約状態、物理的解釈を変更することができる、近くのカタログインスタンスに丸められなければならない。
この問題に対処するため,本論文では,高次元分類最適化のための高次分類最適化フレームワークとして, {textbf{C}ategorical \textbf{O}ptimization with \textbf{B}ayesian \textbf{A}nchored \textbf{L}atent \textbf{T}rust Regions (\textbf{COBALT})を提案する。
COBALTはまず物理カタログを低次元の潜在表現に埋め込み、マップされたインスタンスを離散アンカーグラフとしてロックする。
次に、データ非依存のランダムツリー分解を用いて、高次元のカテゴリ変数上の有界複素性付加的モデリングを提供する。
このアンカー領域では、ヘテロセダスティックMC-FEA観測に付加的なSAAS-GPサロゲートが取り付けられ、信頼領域離散グラフ取得探索は、連続的な緩和や丸めをせずに次の許容可能なカタログ構成を選択する。
提案手法は, 構造重み, ひずみエネルギー, 局所座屈性能を考慮し, 複雑な鉄筋構造物のロバスト設計に応用される。
MC-FEAオラクルを通して有効なカタログのみを評価することで、COBALTはアクティブラーニングループ全体を通して物理的許容性を保ち、ロバストな分類学的構造最適化の効率を向上させる。
関連論文リスト
- StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models [98.72926158261937]
本稿では,Visual AutoRegressive モデルのためのトレーニングフリートークン解析フレームワークを提案する。
我々は局所的なテクスチャの詳細を捉えるために軽量なハイパスフィルタを使用し、グローバルな構造情報を保存するために主成分分析(PCA)を活用している。
スパーストークンの下で有効な次世代の予測を維持するために,近接した特徴伝達戦略を導入する。
論文 参考訳（メタデータ） (2026-03-02T11:35:05Z) - Structure-Aware Robust Counterfactual Explanations via Conditional Gaussian Network Classifiers [0.26999000177990923]
本研究は,条件付き条件グラフに基づく構造認識型ロバストネス・ウンタファクト探索手法を提案する。
結果から,本手法は,特に安定な依存関係を提供する元の定式化を直接最適化することにより,強い整合性を実現することが示された。
提案手法は,非循環的制約下での非実効的推論における今後の進歩の基盤となる。
論文 参考訳（メタデータ） (2026-02-08T15:51:45Z) - Revisiting Robustness for LLM Safety Alignment via Selective Geometry Control [55.366871033602145]
我々は、ロバストネスの失敗はデータ中心の手法だけでは対処できないと主張している。
幾何を考慮した選好最適化フレームワークShaPOを提案する。
ShaPOはアライメントクリティカルパラメータ部分空間を選択的に制御することで、最悪のアライメント目的を強制する。
論文 参考訳（メタデータ） (2026-02-07T03:46:33Z) - Optimizing the Landscape of LLM Embeddings with Dynamic Exploratory Graph Analysis for Generative Psychometrics: A Monte Carlo Study [0.0]
本研究では、埋め込みを探索可能なランドスケープとして再編成し、動的探索グラフ解析(DynEGA)を横埋め込み座標に適用する。
大規模モンテカルロシミュレーションでは,OpenAIのテキスト埋め込み3-小モデルを用いて,五次元の壮大なナルシシズムを表す項目を埋め込んだ。
その結果,全エントロピーフィット指数 (TEFI) と正規化相互情報 (NMI) が,埋め込みランドスケープにおける競合する最適化トラジェクトリに繋がることが明らかとなった。
論文 参考訳（メタデータ） (2026-01-14T14:40:14Z) - MAESTRO: Meta-learning Adaptive Estimation of Scalarization Trade-offs for Reward Optimization [56.074760766965085]
大規模言語モデル(LLM)の整合性のための効率的なパラダイムとしてグループ相対政策最適化が登場している。
我々は,報酬スカラー化を動的潜在ポリシーとして扱い,モデルの終端隠蔽状態を意味的ボトルネックとして活用するMAESTROを提案する。
本稿では,軽量コンダクタネットワークがメタリワード信号としてグループ相対的優位性を生かしてポリシと共進化する,双方向最適化フレームワークにおけるコンテキスト的帯域幅問題としてこれを定式化する。
論文 参考訳（メタデータ） (2026-01-12T05:02:48Z) - 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) - Leveraging Discrete Function Decomposability for Scientific Design [48.365465744654365]
AI駆動の科学とエンジニアリングの時代、私たちはしばしば、ユーザが指定したプロパティに従って、サイリコでオブジェクトを設計したいと考えています。
例えば、ターゲットを結合するタンパク質を設計したり、遅延を最小限にするために回路内のコンポーネントを配置したり、特定の特性を持つ材料を見つけたりしたいかもしれません。
本稿では,新しい分散最適化アルゴリズムであるDADO(De-Aware Distributional Optimization)を提案する。
論文 参考訳（メタデータ） (2025-11-04T21:57:51Z) - Light-SQ: Structure-aware Shape Abstraction with Superquadrics for Generated Meshes [60.92139345612904]
我々は、新しいスーパークワッドリックベースの最適化フレームワークLight-SQを提案する。
本稿では,構造対応ボリューム分解によるブロック再配置戦略を提案する。
実験によると、Light-SQはスーパークワッドリックで効率よく、高忠実で、編集可能な形状の抽象化を可能にする。
論文 参考訳（メタデータ） (2025-09-29T16:18:32Z) - Representation-Aware Distributionally Robust Optimization: A Knowledge Transfer Framework [6.529107536201152]
本稿では,分散シフトに対処する際の予測表現を考慮に入れた,分散的ロバスト学習のための新しいフレームワークを提案する。
我々は,READが輸送コストに多次元アライメントパラメータを埋め込むことで,情報表現に関連する方向に沿った摂動を差分的に回避できることを示した。
我々は、広範囲なシミュレーションと実世界の研究を通して、我々のフレームワークの有効性を実証することで結論付ける。
論文 参考訳（メタデータ） (2025-09-11T11:42:17Z) - A Unified Theory of Compositionality, Modularity, and Interpretability in Markov Decision Processes [1.3044677039636754]
我々は、新しい報酬のないマルコフ決定プロセスのためのオプションカーネルベルマン方程式(OKBE)を紹介する。
OKBEは、状態時オプションカーネル(STOK)と呼ばれる予測マップを直接構築し、最適化し、ゴールを達成する確率を最大化する。
我々は、報酬-最大化は構成性、モジュラリティ、解釈可能性の性質と矛盾していると主張する。
論文 参考訳（メタデータ） (2025-06-11T08:21:22Z)
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。