論文の概要: Meta-learning for sample-efficient Bayesian optimisation of fed-batch processes
- arxiv url: http://arxiv.org/abs/2605.05382v1
- Date: Wed, 06 May 2026 19:07:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-08 22:27:11.387202
- Title: Meta-learning for sample-efficient Bayesian optimisation of fed-batch processes
- Title（参考訳）: フィードバッチプロセスのサンプル効率ベイズ最適化のためのメタラーニング
- Authors: Becky Langdon, Gabriel D. Patrón, Chrysoula D. Kappatou, Robert M. Lee, Behrang Shafei, Jixiang Qing, Ruth Misener, Mark van der Wilk, Calvin Tsay,
- Abstract要約: フィードバッチ(バイオ)化学プロセスのレシピの最適化は、本質的に、基礎的で、測定不能なゆらぎにさらされる。
BayesOptは高価な測定関数のサンプリングと最適化のための強力なツールである。
- 参考スコア（独自算出の注目度）: 14.388871922519654
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The optimisation of fed-batch (bio)chemical process recipes is subject to inherent, underlying, and unmeasurable fluctuations across batches, whose trajectories are difficult to model and costly to measure. Bayesian Optimisation (BayesOpt) is a powerful tool for sampling and optimisation of expensive-to-measure functions. Gaussian Processes (GPs), the surrogate models used in BayesOpt, are static, forecast poorly, and lack generalisation across experiments, limiting their applicability to time-varying batch processes with stochastic parameters, i.e., process fluctuations. This work investigates System-Aware Neural ODE Processes (SANODEP) as a meta-learning model to overcome the limitations of GPs and increase few-shot optimisation performance in BayesOpt. Using a penicillin batch production case study, we find that SANODEP outperforms GP-based BayesOpt in the low-data regime, resulting in improved objectives when few experimental runs are performed. These improvements are observed in both on- and off-distribution batches, highlighting the generalisation capabilities of SANODEP. Using this approach, batch process operators can accelerate the initial optimisation steps in BayesOpt by deploying meta-learning or optimise the process with fewer experiments when the experimental cost is high.
- Abstract（参考訳）: フェールバッチ(バイオ)ケミカルプロセスのレシピの最適化は、本質的に、基礎的で、測定不可能な、バッチ間での変動であり、その軌道はモデル化が困難で、測定に費用がかかる。
Bayesian Optimisation (BayesOpt)は、高価な測度関数のサンプリングと最適化のための強力なツールである。
ガウス過程(Gaussian Processs, GPs)は、BayesOptで使用されるサロゲートモデルであり、静的であり、予測が不十分であり、実験全体での一般化が欠如しており、確率的パラメータを持つ時間変化バッチプロセスに適用性を制限する。
本研究では,GPの限界を克服し,BayesOptにおける数ショット最適化性能を向上させるメタラーニングモデルとして,SANODEP(System-Aware Neural ODE Processs)について検討する。
ペニシリンバッチ生産ケーススタディを用いて、SANODEPは低データ状態下でGPベースのBayesOptより優れており、試験的な実行が少ないと目的が改善することがわかった。
これらの改善は、SANODEPの一般化能力を強調し、オン・ディストリビューション・バッチとオフ・ディストリビューション・バッチの両方で観察される。
このアプローチを用いることで、バッチプロセスオペレータは、メタ学習をデプロイしたり、実験コストが高い場合により少ない実験でプロセスを最適化することで、BayesOptの初期最適化ステップを加速することができる。
関連論文リスト
- Unbiased Dynamic Pruning for Efficient Group-Based Policy Optimization [60.87651283510059]
Group Relative Policy Optimization (GRPO) はLLM推論を効果的にスケールするが、計算コストは禁じている。
本研究では,非バイアス勾配推定を保ちながら動的プルーニングを可能にする動的プルーニングポリシー最適化(DPPO)を提案する。
刈り込みによって引き起こされるデータの空間性を軽減するため,ウィンドウベースの欲求戦略であるDense Prompt Packingを導入する。
論文 参考訳（メタデータ） (2026-03-04T14:48:53Z) - Optimizing the Unknown: Black Box Bayesian Optimization with Energy-Based Model and Reinforcement Learning [42.508822373669936]
Black-Box Optimization (BBO) は様々な科学・工学分野で成功を収めている。
本稿では,ガウス過程(GP)を統合したReinforced Energy-based Model for Bayesian Optimization (REBMBO)を提案する。
我々は、REBMBOの優れた性能を確認するために、合成および実世界のベンチマークに関する広範な実験を行う。
論文 参考訳（メタデータ） (2025-10-22T12:36:49Z) - Direct Regret Optimization in Bayesian Optimization [10.705151736050967]
本稿では,最適モデルと非明視的獲得を共同で学習する,新たな直訳最適化手法を提案する。
提案手法はBOベースラインを一貫して上回り,より単純な後悔を減らし,より堅牢な探索を示す。
論文 参考訳（メタデータ） (2025-07-09T04:09:58Z) - Batched Bayesian optimization by maximizing the probability of including the optimum [44.38372821900645]
純粋に活用する qPO (multipoint of Optimality) による離散最適化のための獲得戦略を提案する。
提案手法を大規模化学ライブラリのモデル誘導探索に適用し,バッチ化ベイズ最適化における他の最先端手法と競合することを示す実証的証拠を提供する。
論文 参考訳（メタデータ） (2024-10-08T20:13:12Z) - Process-constrained batch Bayesian approaches for yield optimization in multi-reactor systems [2.812898346527047]
本研究は,マルチリアクタ系における反応の収率を最適化する新しい手法を提案する。
シーケンシャルなバッチ最適化戦略において、探索とエクスプロイトの間の実験的制約とバランスを統合する。
論文 参考訳（メタデータ） (2024-08-05T15:26:39Z) - 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) - Provably Efficient Bayesian Optimization with Unknown Gaussian Process Hyperparameter Estimation [44.53678257757108]
目的関数の大域的最適値にサブ線形収束できる新しいBO法を提案する。
本手法では,BOプロセスにランダムなデータポイントを追加するために,マルチアームバンディット法 (EXP3) を用いる。
提案手法は, 様々な合成および実世界の問題に対して, 既存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） (2023-06-12T03:35:45Z) - Optimizing Hyperparameters with Conformal Quantile Regression [7.316604052864345]
本稿では,観測ノイズについて最小限の仮定を行う等化量子レグレッションを活用することを提案する。
これは経験的ベンチマークでのHPO収束を早くすることを意味する。
論文 参考訳（メタデータ） (2023-05-05T15:33:39Z) - Likelihood-Free Inference with Deep Gaussian Processes [70.74203794847344]
サーロゲートモデルは、シミュレータ評価の回数を減らすために、可能性のない推論に成功している。
本稿では,より不規則な対象分布を扱えるディープガウス過程(DGP)サロゲートモデルを提案する。
本実験は,DGPがマルチモーダル分布を持つ目的関数上でGPよりも優れ,単調な場合と同等の性能を維持できることを示す。
論文 参考訳（メタデータ） (2020-06-18T14:24:05Z) - Randomised Gaussian Process Upper Confidence Bound for Bayesian
Optimisation [60.93091603232817]
改良されたガウス過程上信頼境界(GP-UCB)取得関数を開発した。
これは、分布から探索・探索トレードオフパラメータをサンプリングすることによって行われる。
これにより、期待されるトレードオフパラメータが、関数のベイズ的後悔に縛られることなく、問題によりよく適合するように変更できることが証明される。
論文 参考訳（メタデータ） (2020-06-08T00:28:41Z) - Adaptive Learning of the Optimal Batch Size of SGD [52.50880550357175]
本稿では,その繰り返しを通じて最適なバッチサイズを適応的に学習し,凸度と滑らかな関数を求める手法を提案する。
実験では、合成データと実データを用いて、ほぼ最適な振る舞いを示す。
我々は,本手法を分散実装に適したサンプリングを含む,文献上考慮されていないいくつかの新しいバッチ戦略に一般化する。
論文 参考訳（メタデータ） (2020-05-03T14:28:32Z)
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。