論文の概要: Elicitation-Augmented Bayesian Optimization

• arxiv url: http://arxiv.org/abs/2605.12079v1
• Date: Tue, 12 May 2026 13:05:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.873315
• Title: Elicitation-Augmented Bayesian Optimization
• Title（参考訳）: 励振強化ベイズ最適化
• Authors: Alvar Haltia, Ville Hyvönen, Samuel Kaski,
• Abstract要約: 直接観測とペアワイズクエリにより得られた情報を組み合わせるための原理的手法を開発した。 対のクエリに対する直接観測のバランスをとるために,コストを意識した情報取得関数を導出する。
• 参考スコア（独自算出の注目度）: 22.694688406142294
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human-in-the-loop Bayesian optimization (HITL BO) methods utilize human expertise to improve the sample-efficiency of BO. Most HITL BO methods assume that a domain expert can quantify their knowledge, for instance by pinpointing query locations or specifying their prior beliefs about the location of the maximum as a probability distribution. However, since human expertise is often tacit and cannot be explicitly quantified, we consider a setting where domain knowledge of an expert is elicited via pairwise comparisons of designs. We interpret the expert's pairwise judgements as noisy evidence about the values of the observable objective function and develop a principled method for combining the information obtained via direct observations and pairwise queries. Specifically, we derive a cost-aware value-of-information acquisition function that balances direct observations against pairwise queries. The proposed method approaches the convex hull of the trajectories of the individual information sources: when pairwise queries are cheap it substantially improves sample-efficiency over observation-only BO, and when pairwise queries are costly or noisy, it recovers the performance of standard BO by relying on direct observations alone.
• Abstract（参考訳）: HITL BO(Human-in-the-loop Bayesian Optimization)法は、BOのサンプル効率を改善するために人間の専門知識を利用する。 ほとんどのHITL BO法は、ドメインの専門家が、例えばクエリの場所をピンポイントしたり、最大値の位置に関する以前の信念を確率分布として指定することで、知識を定量化できると仮定している。 しかしながら、人間の専門知識はしばしば暗黙的であり、明確に定量化できないため、専門家のドメイン知識が設計のペアワイズ比較によって引き起こされる環境を考える。 本研究では、観測対象関数の値に関するノイズのある証拠として専門家のペアワイズ判断を解釈し、直接観測とペアワイズクエリにより得られる情報を組み合わせるための原理的手法を開発した。 具体的には、ペアワイズクエリに対する直接観測のバランスをとるために、コストを意識した情報取得関数を導出する。 提案手法は, 個々の情報ソースの軌跡の凸部にアプローチし, 対流クエリが安価である場合には, 観測のみのBOよりもサンプル効率が大幅に向上し, 対流クエリがコストが高く, ノイズが多い場合には, 直接観測のみに頼ることで, 標準BOの性能を回復する。

関連論文リスト

• In-Context Black-Box Optimization with Unreliable Feedback [20.948688720498644]
  フィードバックインフォームド・インコンテクスト・ブラックボックス最適化(FICBO)について検討する。 本稿では,フィードバックソースが真の目的に対してアクセス,関連性,歪みにどう影響するかをモデル化した構造化されたフィードバックを導入し,フィードバックトランスフォーマーの事前訓練を行う。 合成および実世界のタスクでは、FICBOは情報フィードバックを効果的に活用し、弱いまたは誤解を招くソースに頑健に留まる。
  論文  参考訳（メタデータ） (2026-05-07T13:03:19Z)
• Adaptive Bayesian Optimization for Robust Identification of Stochastic Dynamical Systems [4.0148499400442095]
  本稿では,システム係数と雑音分散を含む線形導出システムの同定について述べる。 ベイズ最適化に基づく標本効率のよい大域最適化法を提案する。 実験により、EGPに基づくBOは定常フィルタリングと期待最大化によりMLEを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2025-03-09T01:38:21Z)
• In-Context Parametric Inference: Point or Distribution Estimators? [66.22308335324239]
  償却点推定器は一般に後部推論より優れているが、後者は低次元問題では競争力がある。 実験の結果, 償却点推定器は一般に後部推定より優れているが, 後者は低次元問題では競争力があることがわかった。
  論文  参考訳（メタデータ） (2025-02-17T10:00:24Z)
• 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)
• 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)
• Efficient Exploration in Binary and Preferential Bayesian Optimization [0.5076419064097732]
  BOアルゴリズムは,異なるタイプの不確かさを区別することが重要であることを示す。 本稿では,最先端のBO関数より優れた新たな獲得関数を提案する。
  論文  参考訳（メタデータ） (2021-10-18T14:44:34Z)
• Direct Advantage Estimation [63.52264764099532]
  予測されるリターンは、学習を遅くする可能性のある望ましくない方法でポリシーに依存する可能性があることを示します。 本稿では,優位関数をモデル化し,データから直接推定する手法として,DAE(Direct Advantage Estimation)を提案する。 望むなら、値関数をDAEにシームレスに統合して、時間差学習と同様の方法で更新することもできる。
  論文  参考訳（メタデータ） (2021-09-13T16:09:31Z)
• Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
  暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。 ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。 本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-11T03:38:16Z)
• Using Distance Correlation for Efficient Bayesian Optimization [0.0]
  距離相関と呼ばれる2つの確率変数の相関関係の統計的尺度とBOを統合したBOスキームBDCを提案する。 BDCの探索は自動的にバランスと利用のバランスを保ち、手動のハイパーパラメータチューニングを必要としない。 我々はBDCを様々なベンチマークテストで評価し、一般的なBO法と同等に動作することを観察する。
  論文  参考訳（メタデータ） (2021-02-17T19:37:35Z)

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。