論文の概要: Inducing Permutation Invariant Priors in Bayesian Optimization for Carbon Capture and Storage Applications

• arxiv url: http://arxiv.org/abs/2605.02409v1
• Date: Mon, 04 May 2026 09:55:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.229403
• Title: Inducing Permutation Invariant Priors in Bayesian Optimization for Carbon Capture and Storage Applications
• Title（参考訳）: 炭素捕獲・貯蔵用途のベイズ最適化における置換不変前駆体の導入
• Authors: Sofianos Panagiotis Fotias, Vassilis Gaganis,
• Abstract要約: そこで我々は,Carbon Capture and Storageプロジェクトにおいて,置換不変なベイズ最適化を提案する。 我々の主な貢献は、集合を比較することによって置換不変性を符号化する新しいガウスプロセスカーネル(GP-Perm)である。 また、Deep Setsアーキテクチャを用いたDeep Kernel Learning Model (DKL-DS) も検討し、置換不変な埋め込みを学習する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian Optimization is an iterative method, tailored to optimizing expensive black box objective functions. Surrogate models like Gaussian Processes, which are the gold standard in Bayesian Optimization, can be inefficient for inputs with permutation symmetries, as the most common kernels employed are better suited for vector inputs rather than unordered sets of items. Motivated by this issue, we turn to permutation invariant Bayesian Optimization for well placement in Carbon Capture and Storage projects. The high fidelity black box simulator is instructed to operate wells under group control, giving rise to permutation symmetries within injector and producer groups that cannot be exploited with standard GP kernels. In this work, our main contribution is a novel Gaussian Process kernel (GP-Perm) that encodes permutation invariance by comparing sets through a stable divergence between their induced empirical representations, and can be combined with standard kernels for additional vector-valued inputs. As a learned invariant baseline, we also consider a Deep Kernel Learning model (DKL-DS) using the Deep Sets architecture to learn a permutation-invariant embedding. We evaluate the proposed methodology across 8 use cases, comprising seven synthetic benchmarks and one realistic CCS case study (Johansen formation)
• Abstract（参考訳）: ベイズ最適化(Bayesian Optimization)は、高価なブラックボックスの目的関数を最適化するための反復手法である。 ベイズ最適化における金の標準であるガウス過程のようなサロゲートモデルは、置換対称性を持つ入力には非効率であり、最も一般的なカーネルは順序のないアイテムの集合よりもベクトル入力に適している。 この問題に触発された我々は、Carbon Capture and Storageプロジェクトにおいて、置換不変のベイズ最適化をうまく配置する。 高忠実度ブラックボックスシミュレータは、群制御の下でウェルを操作するように指示され、標準GPカーネルでは利用できないインジェクタとプロデューサグループ内の置換対称性が生じる。 本研究の主な貢献はガウス過程カーネル (GP-Perm) であり, 誘導された経験的表現間の安定なばらつきを通して集合を比較することにより, 置換不変性を符号化し, ベクトル値入力の標準カーネルと組み合わせることができる。 学習した不変量のベースラインとして、Deep Setsアーキテクチャを用いたDeep Kernel Learning Model (DKL-DS) も検討して、置換不変の埋め込みを学習する。 7つの総合ベンチマークと1つの現実的CCSケーススタディ(ヨハンセン形成)からなる8つのユースケースを対象に提案手法の評価を行った。

関連論文リスト

• Training Variational Quantum Circuits Using Particle Swarm Optimization [0.6875312133832078]
  Particle Swarm Optimization (PSO)アルゴリズムは様々な変分量子回路(VQC)のトレーニングに使われている。 PSOは鳥類群集の集団行動にインスパイアされた最適化手法である。 提案手法はバイオメディカル画像データセットの集合であるMedMNISTの様々なデータセットで検証されている。
  論文  参考訳（メタデータ） (2025-09-19T07:57:48Z)
• Vector Optimization with Gaussian Process Bandits [7.049738935364297]
  複数の目的を同時に考慮しなければならない学習問題は、工学、薬物設計、環境管理など、様々な分野においてしばしば発生する。 複数のブラックボックスの目的関数を扱う従来の方法は、目的の選好を取り入れ、それに応じて解空間を探索することに制限がある。 ガウス過程の帯域幅を用いてブラックボックスベクトル最適化を行う適応除去アルゴリズムであるガウス過程を用いたベクトル最適化(VOGP)を提案する。
  論文  参考訳（メタデータ） (2024-12-03T14:47:46Z)
• Sample-efficient Bayesian Optimisation Using Known Invariances [56.34916328814857]
  バニラと制約付きBOアルゴリズムは、不変目的を最適化する際の非効率性を示す。 我々はこれらの不変カーネルの最大情報ゲインを導出する。 核融合炉用電流駆動システムの設計に本手法を用い, 高性能溶液の探索を行った。
  論文  参考訳（メタデータ） (2024-10-22T12:51:46Z)
• Extrinsic Bayesian Optimizations on Manifolds [1.3477333339913569]
  オイクリッド多様体上の一般最適化問題に対する外部ベイズ最適化(eBO)フレームワークを提案する。 我々のアプローチは、まず多様体を高次元空間に埋め込むことによって、外部ガウス過程を採用することである。 これにより、複素多様体上の最適化のための効率的でスケーラブルなアルゴリズムが導かれる。
  論文  参考訳（メタデータ） (2022-12-21T06:10:12Z)
• Automatic and effective discovery of quantum kernels [41.61572387137452]
  量子コンピューティングは、カーネルマシンが量子カーネルを利用してデータ間の類似度を表現できるようにすることで、機械学習モデルを強化することができる。 本稿では,ニューラルアーキテクチャ検索やAutoMLと同じような最適化手法を用いて,この問題に対するアプローチを提案する。 その結果、高エネルギー物理問題に対する我々のアプローチを検証した結果、最良のシナリオでは、手動設計のアプローチに関して、テストの精度を一致または改善できることが示された。
  論文  参考訳（メタデータ） (2022-09-22T16:42:14Z)
• 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)
• 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)
• Bayesian Optimization over Permutation Spaces [30.650753803587794]
  BOPS (Permutation Spaces) に対する2つのアルゴリズムの提案と評価を行った。 BOPS-Tの性能を理論的に解析し,その後悔がサブリニアに増加することを示す。 複数の合成および実世界のベンチマーク実験により、BOPS-TとBOPS-Hは、空間に対する最先端のBOアルゴリズムよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-12-02T08:20:50Z)
• Batch Bayesian Optimization on Permutations using Acquisition Weighted Kernels [86.11176756341114]
  決定点プロセスに基づく新しい効率的なバッチ取得方法であるLAWを紹介します。 本研究では,理論特性の知見を得るための後悔分析法を提案する。 二次代入などの置換を含むいくつかの標準問題に対する手法を評価する。
  論文  参考訳（メタデータ） (2021-02-26T10:15:57Z)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)

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。