論文の概要: Constrained Bayesian Optimisation with Multiple Information Sources

• arxiv url: http://arxiv.org/abs/2607.00865v1
• Date: Wed, 01 Jul 2026 12:31:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.890136
• Title: Constrained Bayesian Optimisation with Multiple Information Sources
• Title（参考訳）: 複数の情報ソースを用いた制約付きベイズ最適化
• Abstract要約: 制約付き最大値エントロピー探索を拡張する汎用マルチソースフレームワークを提案する。 本手法は, 補助データが弱い相関関係にある場合でも, 有効な解と最適解を効率よく同定できることを示す。 提案手法は、特に初期段階の探査において、既存の手法よりも一貫して優れている。
• 参考スコア（独自算出の注目度）: 1.424507155580441
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian Optimisation (BO) under unknown constraints is particularly challenging when feasible regions are small. In such settings, existing methods that typically rely solely on evaluations of the true objective and constraints struggle to efficiently explore the design space. However, many real-world applications offer auxiliary data sources (e.g. surrogate models or simplified simulations) that can support early exploration. Despite this potential, their integration into constrained BO remains largely unexplored. We propose a general multi-source framework that extends constrained Max-value Entropy Search, capturing inter-source correlation while balancing evaluation cost and information gain. Experiments on both synthetic and physics-based benchmarks show that our method efficiently identifies feasible and optimal solutions, even when auxiliary data are only weakly correlated. The proposed approach consistently outperforms existing methods, particularly in early-stage exploration.
• Abstract（参考訳）: 未知の制約下でのベイズ最適化(BO)は、実現可能な領域が小さい場合に特に困難である。 このような設定では、通常、真の目的と制約の評価にのみ依存する既存のメソッドは、設計空間を効率的に探索するのに苦労する。 しかし、多くの現実世界のアプリケーションは、早期探索を支援する補助的なデータソース(代理モデルや単純化されたシミュレーションなど)を提供する。 この可能性にもかかわらず、制約付きBOへの統合は、ほとんど未検討のままである。 我々は,制約付き最大値エントロピー探索を拡張し,評価コストと情報ゲインのバランスを保ちながら,ソース間の相関を捉える汎用マルチソースフレームワークを提案する。 本手法は, 補助データが弱い相関関係にある場合でも, 有効な解と最適解を効率よく同定できることを示す。 提案手法は、特に初期段階の探査において、既存の手法よりも一貫して優れている。

関連論文リスト

• Harnessing the Potential of Optimizing Data Mixtures via Bayesian Domain Reweighting [63.86964530167364]
  本稿では,ダイリクレ分布からの重み付けを,観測から得られたガンマ事前情報を用いて推定するベイズ領域重み付け手法を提案する。 実験により,提案手法は安定かつ効率的な領域重み付け学習を実現し,探索に基づく関数適合法よりもはるかに少ないデータを消費し,大規模アプリケーションにおいて最適化に基づく領域重み付けを活性化する。
  論文  参考訳（メタデータ） (2026-07-30T09:41:02Z)
• FedOPAL: One-Shot Federated Learning via Analytic Visual Prompt Tuning [5.979900839748232]
  本稿では,エッジ上の大規模モデルの効率的な協調のためのフレームワークを提案する。 FedOPALは特徴プロンプトとして視覚的プロンプトに適応し、不均一なデータの特徴分布を線形に分離可能な空間に積極的に修正する。 実験結果から,FedOPALはいくつかのベンチマークにおいて,従来の解析手法よりも優れているだけでなく,サーバ側のトレーニングコストのゼロを維持しつつ,最先端の反復手法に匹敵する精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2026-07-09T11:28:31Z)
• Differentiable Constraint-Based Causal Discovery [18.720260801912346]
  観測データからの因果発見は人工知能の基本的な課題である。 既存の手法は、制約ベースのアプローチやスコアベースのアプローチに広く分類することができる。 本研究は,ソフトロジックを用いたパーコレーション理論により得られる,微分可能な$d$セパレーションスコアの開発について検討する。
  論文  参考訳（メタデータ） (2025-10-24T21:28:39Z)
• 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)
• Decentralized Inference for Spatial Data Using Low-Rank Models [4.168323530566095]
  本稿では,空間的低ランクモデルにおけるパラメータ推論に適した分散化フレームワークを提案する。 重要な障害は、観測中の空間的依存から生じ、ログのような状態が要約として表現されるのを防ぐ。 提案手法では,効率的なパラメータ最適化のために,マルチセンサと動的コンセンサス平均化を統合したブロック降下法を用いる。
  論文  参考訳（メタデータ） (2025-02-01T04:17:01Z)
• Generalization Bounds of Surrogate Policies for Combinatorial Optimization Problems [53.03951222945921]
  我々はスムーズな(摂動された)ポリシーを解析し、線形オラクルが使用する方向に対して制御されたランダムな摂動を付加する。 我々の主な貢献は、過剰リスクを摂動バイアス、統計的推定誤差、最適化誤差に分解する一般化境界である。 車両のスケジューリングやスムーズ化がトラクタブルトレーニングと制御された一般化の両方を可能にしていることを示す。
  論文  参考訳（メタデータ） (2024-07-24T12:00:30Z)
• Deriving Causal Order from Single-Variable Interventions: Guarantees & Algorithm [14.980926991441345]
  介入データを含むデータセットは,データ分布に関する現実的な仮定の下で効果的に抽出可能であることを示す。 本稿では,観察的および介入的設定における各変数の限界分布の比較に依拠する,介入忠実性の新たな変種を紹介する。 また、多数の単一変数の介入を含むデータセットから因果順序を推測するアルゴリズムであるIntersortを導入する。
  論文  参考訳（メタデータ） (2024-05-28T16:07:17Z)
• Diffusion Models as Constrained Samplers for Optimization with Unknown Constraints [55.39203337683045]
  拡散モデルを用いてデータ多様体内で最適化を行う。 目的関数の微分可能性に応じて,2つの異なるサンプリング手法を提案する。 提案手法は,従来の最先端のベースラインよりも優れた,あるいは同等のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-02-28T03:09:12Z)
• Maximize to Explore: One Objective Function Fusing Estimation, Planning, and Exploration [87.53543137162488]
  我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。 textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。 様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
  論文  参考訳（メタデータ） (2023-05-29T17:25:26Z)
• Exploiting Temporal Structures of Cyclostationary Signals for Data-Driven Single-Channel Source Separation [98.95383921866096]
  単一チャネルソース分離(SCSS)の問題点について検討する。 我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。 本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-08-22T14:04:56Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)

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。