論文の概要: BASIL: Bayesian Application for Scientific Iteration and Learning

• arxiv url: http://arxiv.org/abs/2606.21092v1
• Date: Fri, 19 Jun 2026 04:43:04 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-06-23 11:33:54.673144
• Title: BASIL: Bayesian Application for Scientific Iteration and Learning
• Title（参考訳）: BASIL:ベイジアンによる科学的イテレーションと学習への応用
• Authors: Kelvin P. Idanwekhai, Valeriia Kaneva, Stefano Menegatti, Alexander Tropsha,
• Abstract要約: BASILはプロセス最適化のためのユーザフレンドリーなデスクトップアプリケーションである。 ベイズ的アプローチを採用し、特別な獲得関数を取り入れている。 BASILは、任意の実験や、既知のユーザ定義の入力変数によるプロセスの最適化に使用することができる。
• 参考スコア（独自算出の注目度）: 39.90173478542988
• License:
• Abstract: We introduce BASIL, a user-friendly desktop application for process optimization. BASIL employs a Bayesian approach, incorporating special acquisition functions that can be used to solve both single and multi-objective optimization problems. It provides a graphical interface that enables users to input their experimental parameters, optimization objectives, and legacy data. This is then used to build surrogate models, which are coupled with acquisition functions to guide and optimize a process towards a desired objective. To facilitate model building, BASIL provides a variety of predefined surrogate model templates. BASIL can be used to optimize any arbitrary experiment or process with known, user-defined input variables, optimization objectives, and defined output.
• Abstract（参考訳）: プロセス最適化のためのユーザフレンドリーなデスクトップアプリケーションであるBASILを紹介する。 BASILはベイズ的アプローチを採用し、単目的と多目的の両方の最適化問題を解決するために使用できる特別な獲得関数を取り入れている。 ユーザが実験パラメータ、最適化目標、レガシーデータを入力できるグラフィカルなインターフェースを提供する。 その後、これはサロゲートモデルの構築に使用され、これは取得関数と結合されて、望ましい目的に向けてプロセスをガイドし、最適化する。 モデル構築を容易にするため、BASILは様々な事前定義された代理モデルテンプレートを提供する。 BASILは、既知のユーザ定義の入力変数、最適化目標、定義された出力で任意の実験やプロセスの最適化に使用することができる。

関連論文リスト

• Bayesian Preference Elicitation: Human-In-The-Loop Optimization of An Active Prosthesis [3.6494031371026323]
  本稿では,標準4パラメータ補綴器を効率よくパーソナライズするためのHuman-in-the-loop Optimization (HILO)アプローチを提案する。 我々は, 効率的な収束, 堅牢な選好誘導, 測定可能な生体力学的改善を示す。
  論文  参考訳（メタデータ） (2026-02-26T12:11:51Z)
• 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)
• 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)
• 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)
• qPOTS: Efficient batch multiobjective Bayesian optimization via Pareto optimal Thompson sampling [0.0]
  多目的最適化を解くためのサンプル効率のアプローチは、プロセス・オラクル・サロゲート(GP)とMOBOOTS$である。 我々はトンプソンサンプリング(TS)に基づくアプローチ(qtextttPOTS$)を提案する。 $qtextttPOTS$は、GP後部の安価な多目的最適化を進化的アプローチで解決する。
  論文  参考訳（メタデータ） (2023-10-24T12:35:15Z)
• BOtied: Multi-objective Bayesian optimization with tied multivariate ranks [33.414682601242006]
  本稿では,非支配解と結合累積分布関数の極端量子化との自然な関係を示す。 このリンクにより、我々はPareto対応CDFインジケータと関連する取得関数BOtiedを提案する。 種々の合成および実世界の問題に対する実験により,BOtied は最先端MOBO 取得関数より優れていることが示された。
  論文  参考訳（メタデータ） (2023-06-01T04:50:06Z)
• A General Recipe for Likelihood-free Bayesian Optimization [115.82591413062546]
  我々は,BOをより広範なモデルやユーティリティに拡張する可能性のないBO(LFBO)を提案する。 LFBOは、確率的代理モデルと個別に推論を行うことなく、取得関数を直接モデル化する。 LFBOにおける取得関数の計算は、重み付けされた分類問題を最適化することで削減できることを示す。
  論文  参考訳（メタデータ） (2022-06-27T03:55:27Z)
• Surrogate modeling for Bayesian optimization beyond a single Gaussian process [62.294228304646516]
  本稿では,探索空間の活用と探索のバランスをとるための新しいベイズ代理モデルを提案する。 拡張性のある関数サンプリングを実現するため、GPモデル毎にランダムな特徴ベースのカーネル近似を利用する。 提案した EGP-TS を大域的最適に収束させるため,ベイズ的後悔の概念に基づいて解析を行う。
  論文  参考訳（メタデータ） (2022-05-27T16:43:10Z)
• Approximate Bayesian Optimisation for Neural Networks [6.921210544516486]
  モデル選択の重要性を強調するために、機械学習アルゴリズムを自動化するための一連の作業が行われた。 理想主義的な方法で解析的トラクタビリティと計算可能性を解決する必要性は、効率と適用性を確保することを可能にしている。
  論文  参考訳（メタデータ） (2021-08-27T19:03:32Z)
• Conservative Objective Models for Effective Offline Model-Based Optimization [78.19085445065845]
  計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。 本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。 COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
  論文  参考訳（メタデータ） (2021-07-14T17:55:28Z)

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。