論文の概要: Maximally Robust Satisficing Bayesian Optimization

• arxiv url: http://arxiv.org/abs/2607.13652v1
• Date: Wed, 15 Jul 2026 09:53:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.737286
• Title: Maximally Robust Satisficing Bayesian Optimization
• Title（参考訳）: ベイズ最適化における最大ロバスト満足度
• Abstract要約: 我々は、ソリューションがデプロイされたときに起こりうるインプット摂動に対するロバスト性は良い基準であることを示す。 最大大摂動に対して頑健な満足な解を効率よく見つけるベイズ最適化法を提案する。
• 参考スコア（独自算出の注目度）: 6.436428314037097
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many design tasks can be cast as black-box function optimization, enabling use of Bayesian optimization to find an ideal design with minimal number of trials. However, often we do not actually need the optimum but instead a sufficiently good solution is enough, for instance a material that is durable enough for its intended use. In most cases there are multiple satisfactory solutions, forming a superlevel set of the function, raising a key question of which one to prefer. We answer this by explaining why robustness to input perturbations that may occur when the solution is deployed is a good criterion and by introduce a Bayesian optimization method that efficiently finds satisficing solutions that are robust to maximally large perturbations. In contrast to previous works, we assume the inputs can be accurately controlled during optimization, but will be perturbed after the deployment.
• Abstract（参考訳）: 多くの設計タスクはブラックボックス関数最適化としてキャストすることができ、ベイズ最適化を用いて最小限の試行数で理想的な設計を見つけることができる。 しかし、多くの場合、最適化は必要とせず、代わりに十分に良い解が十分である。 ほとんどの場合、複数の満足な解が存在し、関数の超レベル集合を形成し、どちらが好むかという重要な疑問を提起する。 解が展開されたときに発生する入力摂動に対するロバスト性は良い基準であり、最大で大きな摂動に対してロバストな解を効率的に見つけるベイズ最適化法を導入することで、この問題に答える。 従来の作業とは対照的に、入力は最適化時に正確に制御できるが、デプロイ後に混乱すると仮定する。

関連論文リスト

• Optimizing Optimizers for Fast Gradient-Based Learning [53.81268610971847]
  勾配学習における設計の自動化に関する理論的基礎を築いた。 勾配損失信号をパラメータ運動に変換する関数として扱うことにより、この問題は凸最適化問題の族に還元される。
  論文  参考訳（メタデータ） (2025-12-06T09:50:41Z)
• An Analysis of Safety Guarantees in Multi-Task Bayesian Optimization [1.534667887016089]
  本稿では,ベイズ最適化フレームワークへの追加情報ソースの統合について述べる。 これらの情報ソース間の相互依存性は未知の相関行列を用いてモデル化される。 最適化プロセス全体を通して制約満足度を維持するために、一様誤差境界をどのように調整する必要があるかを検討する。
  論文  参考訳（メタデータ） (2025-03-11T15:45:37Z)
• A Novel Unified Parametric Assumption for Nonconvex Optimization [53.943470475510196]
  非最適化は機械学習の中心であるが、一般の非凸性は弱い収束を保証するため、他方に比べて悲観的すぎる。 非凸アルゴリズムに新しい統一仮定を導入する。
  論文  参考訳（メタデータ） (2025-02-17T21:25:31Z)
• Learning Multiple Initial Solutions to Optimization Problems [52.9380464408756]
  厳密なランタイム制約の下で、同様の最適化問題を順次解決することは、多くのアプリケーションにとって不可欠である。 本稿では,問題インスタンスを定義するパラメータが与えられた初期解を多種多様に予測する学習を提案する。 提案手法は,すべての評価設定において有意かつ一貫した改善を実現し,必要な初期解の数に応じて効率よくスケールできることを実証した。
  論文  参考訳（メタデータ） (2024-11-04T15:17:19Z)
• Optimization on Pareto sets: On a theory of multi-objective optimization [7.907376287850398]
  多目的最適化では、単一の決定ベクトルは、多くの目的間のトレードオフのバランスをとる必要がある。 我々は,制約セットの最適化を目標とする,より現実的に重要な最適化問題を考える。
  論文  参考訳（メタデータ） (2023-08-04T05:55:52Z)
• Optimistic Optimization of Gaussian Process Samples [30.226274682578172]
  競合する、計算的により効率的でグローバルな最適化フレームワークは楽観的な最適化であり、これは探索空間の幾何学に関する事前知識を相似関数として利用している。 幾何的探索と確率的探索の間には新たな研究領域があり、ベイズ最適化の重要な機能を保ちながら、従来のベイズ最適化よりも大幅に高速に実行される方法がある。
  論文  参考訳（メタデータ） (2022-09-02T09:06:24Z)
• Non-Convex Optimization with Certificates and Fast Rates Through Kernel Sums of Squares [68.8204255655161]
  非最適化近似問題を考える。 本稿では,最優先計算を保証するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-04-11T09:37:04Z)
• A Robust Multi-Objective Bayesian Optimization Framework Considering Input Uncertainty [0.0]
  エンジニアリング設計のような現実的なアプリケーションでは、設計者は複数の目的と入力の不確実性を考慮に入れたい場合が多い。 入力の不確実性を考慮した多目的最適化を効率的に行うための新しいベイズ最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-25T17:45:26Z)
• Bayesian Optimization for Min Max Optimization [77.60508571062958]
  そこで我々は,最適化すべき関数が事前に分かっていないような設定でMin Max Optimizationを実行するアルゴリズムを提案する。 我々は,改善を期待する2つの獲得機能とガウス過程の上部信頼境界を拡張した。 これらの取得機能は、ベンチマーク設定よりも高速に収束する、より良いソリューションを可能にすることを示す。
  論文  参考訳（メタデータ） (2021-07-29T06:49:34Z)
• Uncertainty aware Search Framework for Multi-Objective Bayesian Optimization with Constraints [44.25245545568633]
  高価な関数評価を用いた制約付きマルチオブジェクト(MO)ブラックボックス最適化の問題点を考察する。 本稿では,制約付き多目的最適化のための不確実性認識検索フレームワークを提案する。 UeMOCは最適化回路の探索に必要なシミュレーション数を90%以上削減できることを示す。
  論文  参考訳（メタデータ） (2020-08-16T23:34:09Z)
• Incorporating Expert Prior in Bayesian Optimisation via Space Warping [54.412024556499254]
  大きな探索空間では、アルゴリズムは関数の最適値に達する前に、いくつかの低関数値領域を通過する。 このコールドスタートフェーズの1つのアプローチは、最適化を加速できる事前知識を使用することである。 本稿では,関数の事前分布を通じて,関数の最適性に関する事前知識を示す。 先行分布は、探索空間を最適関数の高確率領域の周りに拡張し、最適関数の低確率領域の周りに縮小するようにワープする。
  論文  参考訳（メタデータ） (2020-03-27T06:18:49Z)

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。