論文の概要: A Human-in-the-Loop Bayesian Optimization Framework for Constraint-Aware Bioprocess Development

• arxiv url: http://arxiv.org/abs/2606.19230v1
• Date: Wed, 17 Jun 2026 16:06:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.259547
• Title: A Human-in-the-Loop Bayesian Optimization Framework for Constraint-Aware Bioprocess Development
• Title（参考訳）: 制約を考慮したバイオプロセス開発のための人間型ベイズ最適化フレームワーク
• Authors: Samuel Stricker, Claus Wirnsperger, Alessandro Butté, Laura Helleckes, Gonzalo Guillén Gosálbez, Antonio del Rio Chanona, Mehmet Mercangöz,
• Abstract要約: この研究は、HitL(Human-in-the-Loop) Bayesian Optimization (BO)フレームワークの拡張を示す。 ドメインエキスパートは、単一の自動化されたレコメンデーションを返すのではなく、対話的な候補選択のためにドメインエキスパートに公開されます。 このフレームワークは8次元のFed-batch Chinese Hamster Ovary (CHO)細胞培養シミュレータで展示されている。
• 参考スコア（独自算出の注目度）: 33.72751145910978
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work presents an extension to Pareto Front Guided Sampling (PFGS), a Human-in-the-Loop (HitL) Bayesian Optimization (BO) framework in which Gaussian process (GP) surrogate-derived quantities are reformulated as objectives of a multi-objective optimization problem, and the resulting Pareto front is exposed to a domain expert for interactive candidate selection rather than returning a single automated recommendation. The framework is extended in two directions: constrained optimization is addressed by incorporating the posterior probability of satisfying output specification limits as an explicit Pareto objective, computed analytically from the GP posterior distribution; robust optimization is addressed by a Monte Carlo sampling strategy that estimates expected lower-confidence performance over a user-defined variability of input perturbations, capturing performance degradation under likely implementation deviations. The resulting multi-dimensional Pareto representation renders trade-offs between predicted performance, model uncertainty, probabilistic constraint satisfaction, and input robustness simultaneously visible through pairwise two-dimensional projections on an interactive dashboard, enabling selection criteria to be iteratively refined as the surrogate model improves and development objectives evolve. The framework is showcased on an eight-dimensional fed-batch Chinese Hamster Ovary (CHO) cell culture simulator demonstrating systematic identification of high-performing, feasibility-compliant, and perturbation-resilient operating conditions, and illustrating how expert-defined requirements provide a principled stopping criterion and support informed allocation of experimental resources.
• Abstract（参考訳）: 本研究は,多目的最適化問題の目的として,ガウス過程(GP)シュロゲート由来の量を再構成したHuman-in-the-Loop (HitL) Bayesian Optimization (BO)フレームワークであるPareto Front Guided Smpling (PFGS)の拡張を提示する。 このフレームワークは2つの方向に拡張されている: 制約付き最適化は、出力仕様の限界を満たす後続確率を明示的なパレートの目的として、GP後部分布から解析的に計算され、ロバスト最適化は、入力摂動のユーザ定義の可変性よりも低い信頼度性能を推定するモンテカルロサンプリング戦略によって対処される。 結果として得られる多次元パレート表現は、予測性能、モデル不確実性、確率的制約満足度、および対話型ダッシュボード上で2次元の2次元投影を通して同時に見える入力ロバスト性の間のトレードオフを表現し、サロゲートモデルの改善と開発目標の進化に伴って選択基準を反復的に洗練することを可能にする。 このフレームワークは、8次元のFed-batch Chinese Hamster Ovary (CHO) 細胞培養シミュレータで、ハイパフォーマンス、フィージビリティ準拠、摂動耐性の動作条件の体系的同定を実証し、専門家が定義した要件が、実験資源の原則的な停止基準と情報割り当てをサポートする方法を示す。

関連論文リスト

• Support-Proximity Augmented Diffusion Estimation for Offline Black-Box Optimization [17.43522044331905]
  本研究では,SPADE(Support-Proximity Augmented Diffusion Estimation)を提案する。 本研究では,SPADE が Design-Bench タスクと LLM データ混合最適化ベンチマークを用いて,最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-05-11T21:09:28Z)
• High-dimensional reliability-based design optimization using stochastic emulators [0.0]
  本稿では,シミュレータ視点に基づく新しいRBDOフレームワークを提案する。 この定式化の下で、所定の設計に条件付けされたシステム応答は、その出力分布を直接モデル化する。 提案手法は,特に高次元設定において,かなりの計算ゲインが得られる。
  論文  参考訳（メタデータ） (2026-04-07T12:01:50Z)
• Sequential Bayesian Optimal Experimental Design in Infinite Dimensions via Policy Gradient Reinforcement Learning [3.2580743227673694]
  高忠実性アプローチでは、ネストしたベイズ反転と設計ループの中で、繰り返し前方および随伴したPDEが解かれる。 我々は、SBOEDを有限水平マルコフ決定プロセスとして定式化し、ポリシー段階の強化学習を通じて、償却設計ポリシーを学習する。 汚染源追跡のための逐次マルチセンサ配置に関する数値実験は、高忠実度有限要素法よりも約100倍のスピードアップを示す。
  論文  参考訳（メタデータ） (2026-01-09T15:44:49Z)
• Amortized Active Generation of Pareto Sets [48.56811624922571]
  A-GPSは、オンラインの離散ブラックボックスマルチオブジェクト最適化のための新しいフレームワークである。 メソッドは、非支配関係を予測するためにクラス確率推定器を使用する。 この非支配的CPEは,超ボリューム改善の確率を暗黙的に見積もっている。
  論文  参考訳（メタデータ） (2025-10-23T23:49:23Z)
• 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)
• Double Duality: Variational Primal-Dual Policy Optimization for Constrained Reinforcement Learning [132.7040981721302]
  本研究では,訪問尺度の凸関数を最小化することを目的として,制約付き凸決定プロセス(MDP)について検討する。 制約付き凸MDPの設計アルゴリズムは、大きな状態空間を扱うなど、いくつかの課題に直面している。
  論文  参考訳（メタデータ） (2024-02-16T16:35:18Z)
• When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
  本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。 タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
  論文  参考訳（メタデータ） (2023-02-15T04:14:20Z)

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。