論文の概要: Safe Bayesian Optimization for Uncertain Correlations Matrices in Linear Models of Co-Regionalization

• arxiv url: http://arxiv.org/abs/2605.13302v1
• Date: Wed, 13 May 2026 10:14:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.976165
• Title: Safe Bayesian Optimization for Uncertain Correlations Matrices in Linear Models of Co-Regionalization
• Title（参考訳）: コリージョン化線形モデルにおける不確かさ相関行列に対する安全なベイズ最適化
• Authors: Jannis Lübsen, Annika Eichler,
• Abstract要約: 我々は、ガウス過程からサンプリングされたベクトル値関数に対する一様誤差境界と、コレジナライズカーネルの線形モデルとを導出する。 安全なマルチタスクベイズ最適化ベンチマークにおける数値比較において,コレジナライゼーションの線形モデルを用いた性能改善の可能性を示す。
• 参考スコア（独自算出の注目度）: 0.8594140167290097
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper extends safety guarantees for multi-task Bayesian optimization with uncertain correlation matrices from intrinsic co-reginalization models to linear models of co-reginalization. The latter allows for more flexible modeling of the inter-task correlations by composing multiple features. We derive uniform error bounds for vector-valued functions sampled from a Gaussian process with a linear model of co-reginalization kernel. Furthermore, we show the potential improvement of performance using linear models of co-reginalization in a numerical comparison on a safe multi-task Bayesian optimization benchmark.
• Abstract（参考訳）: 本稿では,内在的コレジナリゼーションモデルから線形的コレジナリゼーションモデルへの不確実な相関行列を用いたマルチタスクベイズ最適化の安全性保証を拡張する。 後者は複数の特徴を構成することで、タスク間の相関をより柔軟なモデリングを可能にする。 我々は、ガウス過程からサンプリングされたベクトル値関数に対する一様誤差境界と、コレジナライズカーネルの線形モデルとを導出する。 さらに, 安全なマルチタスクベイズ最適化ベンチマークにおける数値比較において, 線形回帰モデルを用いた性能改善の可能性を示す。

関連論文リスト

• Kernel-based guarantees for nonlinear parametric models in Bayesian optimization [5.191484562883949]
  我々は、適応的に収集されたデータに基づいて訓練された正規化非線形パラメトリックモデルを解析するためのカーネルベースのフレームワークを開発する。 これらの境界が非線形獲得および代理モデルに対する収束保証をどのようにサポートするかを示す。
  論文  参考訳（メタデータ） (2026-05-13T08:24:55Z)
• Neural Optimal Transport Meets Multivariate Conformal Prediction [58.43397908730771]
  条件付きベクトル回帰(CVQR)のためのフレームワークを提案する。 CVQRは、ニューラルネットワークの最適輸送と量子化された最適化を組み合わせて、予測に適用する。
  論文  参考訳（メタデータ） (2025-09-29T19:50:19Z)
• Generalized Linear Bandits: Almost Optimal Regret with One-Pass Update [70.38810219913593]
  非線形リンク関数を組み込んで古典線形モデルを拡張したコンテキスト型多武装バンディットフレームワークである一般化線形バンディット問題(GLB)について検討する。 GLBは現実世界のシナリオに広く適用できるが、その非線形性は計算効率と統計効率の両方を達成する上で大きな課題をもたらす。 本稿では,$mathcalO(1)$時間と1ラウンドあたりの空間複雑度をほぼ最適に再現するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-07-16T02:24:21Z)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• Preference-Guided Diffusion for Multi-Objective Offline Optimization [64.08326521234228]
  オフライン多目的最適化のための優先誘導拡散モデルを提案する。 我々の指導は、ある設計が他の設計を支配する確率を予測するために訓練された選好モデルである。 本結果は,多種多様な高品質な解を生成する上での分類器誘導拡散モデルの有効性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-03-21T16:49:38Z)
• Merging Models on the Fly Without Retraining: A Sequential Approach to Scalable Continual Model Merging [75.93960998357812]
  ディープモデルマージ(Deep Modelmerging)は、複数の微調整モデルを組み合わせて、さまざまなタスクやドメインにまたがる能力を活用する、新たな研究方向を示すものだ。 現在のモデルマージ技術は、全ての利用可能なモデルを同時にマージすることに集中しており、重量行列に基づく手法が主要なアプローチである。 本稿では,モデルを逐次処理するトレーニングフリーなプロジェクションベース連続マージ手法を提案する。
  論文  参考訳（メタデータ） (2025-01-16T13:17:24Z)
• Simulation Based Bayesian Optimization [0.0]
  本稿では,獲得関数を最適化するための新しいアプローチとして,シミュレーションベースベイズ最適化(SBBO)を提案する。 GPは後続予測分布への解析的アクセスを提供するため、サロゲートモデルとして一般的に使用される。 本研究では,SBBOの有効性を種々の代理モデルを用いて実証的に実証する。
  論文  参考訳（メタデータ） (2024-01-19T16:56:11Z)
• Uncertainty Modelling in Risk-averse Supply Chain Systems Using Multi-objective Pareto Optimization [0.0]
  サプライチェーンモデリングにおける困難なタスクの1つは、不規則な変動に対して堅牢なモデルを構築することである。 我々は、不確実性を扱うためのパレート最適化(Pareto Optimization)という新しい手法を導入し、これらの不確実性のエントロピーをアプリオリ仮定の下で明示的にモデル化することで拘束する。
  論文  参考訳（メタデータ） (2020-04-24T21:04:25Z)

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。