論文の概要: Best-Arm Identification-Based Trust Region Selection for Bayesian Optimization on Multimodal Functions

• arxiv url: http://arxiv.org/abs/2605.31050v1
• Date: Fri, 29 May 2026 09:25:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.504147
• Title: Best-Arm Identification-Based Trust Region Selection for Bayesian Optimization on Multimodal Functions
• Title（参考訳）: マルチモーダル関数のベイズ最適化のためのベストアーム同定に基づく信頼領域の選択
• Abstract要約: 信頼領域に基づくBOとベストアーム識別(BAI)を統合したトラジェクトリ・アウェア・フレームワークを提案する。 理論的には,提案したBAI誘導BOは従来のBOよりも高速に大域的最適に収束することを示す。
• 参考スコア（独自算出の注目度）: 8.880611506199768
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Gaussian process-based Bayesian optimization (BO) is a popular approach for expensive black-box optimization, but its performance often degrades on complex multimodal or high-dimensional problems. Trust region-based BO mitigates this issue by focusing on local regions, and recent studies suggest that selecting an effective region can be formulated as a multi-armed bandit problem. We propose a trajectory-aware framework that integrates best-arm identification (BAI) with trust region-based BO to efficiently solve multimodal optimization problems. Our method extrapolates the optimization trajectories of multiple locally initialized optimizers to predict their final performance and progressively eliminates suboptimal candidates via BAI. We theoretically show that the proposed BAI-guided BO converges faster to the global optimum than conventional BO under mild assumptions, and demonstrate its effectiveness through extensive experiments on synthetic and real-world benchmarks.
• Abstract（参考訳）: ガウス過程に基づくベイズ最適化(BO)は高価なブラックボックス最適化の一般的な手法であるが、その性能は複雑なマルチモーダル問題や高次元問題で劣化することが多い。 信頼地域を基盤としたBOは、地域に着目してこの問題を緩和し、近年の研究では、有効地域を選択することは、マルチアームバンディット問題として定式化できることが示唆されている。 マルチモーダル最適化問題を効率的に解くために,ベストアーム識別(BAI)を信頼領域ベースBOと統合するトラジェクトリ・アウェア・フレームワークを提案する。 提案手法は,複数の局所初期化オプティマイザの最適化トラジェクトリを外挿し,最終的な性能を予測し,BAIを介して最適化候補を段階的に除去する。 理論的には,提案したBAI誘導BOは,温和な仮定の下で従来のBOよりも高速にグローバルな最適化に収束し,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通じてその有効性を示す。

関連論文リスト

• Trust Region-Based Bayesian Optimisation to Discover Diverse Solutions [8.727449523567673]
  異なる次元のブラックボックス問題における多様性最適化のための信頼領域に基づくBOアルゴリズムの有効性について検討する。 信頼性のある領域ベースの拡張性アプローチを用いた最初のBO法であるTuRBO1を拡張した多様性最適化手法を提案する。 本研究では,2次元から20次元のベンチマーク関数を用いたアルゴリズムの評価を行った。
  論文  参考訳（メタデータ） (2025-11-02T00:31:37Z)
• Feasibility-Driven Trust Region Bayesian Optimization [0.048748194765816946]
  FuRBOは、次の候補解が選択される信頼領域を反復的に定義する。 我々は,フルBBOB制約ベンチマークスイートの広範なテストを通じて,FuRBOの有効性を実証的に実証した。
  論文  参考訳（メタデータ） (2025-06-17T15:16:22Z)
• mDPO: Conditional Preference Optimization for Multimodal Large Language Models [52.607764280030196]
  直接選好最適化(DPO)は,大規模言語モデル(LLM)のアライメントに有効な手法であることが示されている。 最近の研究は、DPOをマルチモーダルシナリオに適用しようと試みているが、一貫した改善を達成することは困難である。 画像の嗜好を最適化することで、言語のみの嗜好の過度な優先順位付けを防止するマルチモーダルDPOであるmDPOを提案する。
  論文  参考訳（メタデータ） (2024-06-17T17:59:58Z)
• Localized Zeroth-Order Prompt Optimization [54.964765668688806]
  そこで我々は,ZOPO(Localized zeroth-order prompt optimization)という新しいアルゴリズムを提案する。 ZOPOはニューラル・タンジェント・カーネルをベースとしたガウス法を標準ゼロ階次最適化に取り入れ、高速な局所最適探索を高速化する。 注目すべきは、ZOPOは最適化性能とクエリ効率の両方の観点から、既存のベースラインを上回っていることだ。
  論文  参考訳（メタデータ） (2024-03-05T14:18:15Z)
• High-dimensional Bayesian Optimization via Covariance Matrix Adaptation Strategy [16.521207412129833]
  本稿では,CMA(Covariance Matrix Adaptation)戦略を用いて局所領域を定義する手法を提案する。 この探索分布に基づいて,大域的最適である確率の高いデータポイントからなる局所領域を定義する。 提案手法は,BO,TuRBO,BAxUSなどの既存のブラックボックスBOを組み込んでグローバルな最適解を求めるメタアルゴリズムとして機能する。
  論文  参考訳（メタデータ） (2024-02-05T15:32:10Z)
• 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)
• LABCAT: Locally adaptive Bayesian optimization using principal-component-aligned trust regions [0.0]
  信頼領域に基づくBOを拡張した LABCAT アルゴリズムを提案する。 このアルゴリズムは、最先端のBOや他のブラックボックス最適化アルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-19T13:56:24Z)
• Learning Regions of Interest for Bayesian Optimization with Adaptive Level-Set Estimation [84.0621253654014]
  本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。 理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
  論文  参考訳（メタデータ） (2023-07-25T09:45:47Z)
• A Bayesian Optimization Framework for Finding Local Optima in Expensive Multi-Modal Functions [18.570591025615453]
  本稿では,高コストで評価可能なマルチモーダル目的関数に対する局所的・言語的ソリューションの集合を見つけるためのマルチモーダルBOフレームワークを開発する。 目的関数とその一階微分の結合分布を解析的に導出する。 本稿では、マルチモーダル設定によく知られたBO取得関数の変種を導入し、提案フレームワークの性能を実証する。
  論文  参考訳（メタデータ） (2022-10-13T00:10:13Z)
• TREGO: a Trust-Region Framework for Efficient Global Optimization [63.995130144110156]
  信頼領域型EGO法(TREGO)の提案と解析を行う。 TREGOは、信頼領域内の通常のEGOステップとローカルステップを交互に使用する。 我々のアルゴリズムは、最適化ステップのサブセットのみのために、EGOから離脱しながら、強いグローバル収束特性を享受する。
  論文  参考訳（メタデータ） (2021-01-18T00:14:40Z)
• Stochastic Optimization Forests [60.523606291705214]
  標準的なランダムな森林アルゴリズムのように予測精度を向上させるために分割するのではなく、分割を選択した木を栽培し、下流の意思決定品質を直接最適化することで、森林決定政策の訓練方法を示す。 概略分割基準は、各候補分割に対して正確に最適化された森林アルゴリズムに近い性能を保ちながら、100倍のランニング時間を短縮できることを示す。
  論文  参考訳（メタデータ） (2020-08-17T16:56:06Z)

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。