論文の概要: Optimization of time-consuming experimental conditions using pseudo-experimental data guided by adaptive polynomial regression

• arxiv url: http://arxiv.org/abs/2607.22238v1
• Date: Fri, 24 Jul 2026 12:16:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.122236
• Title: Optimization of time-consuming experimental conditions using pseudo-experimental data guided by adaptive polynomial regression
• Title（参考訳）: 適応多項式回帰法による擬似実験データを用いた時間的実験条件の最適化
• Abstract要約: 試行回数に制限がある場合でも,最適化時間を改善するためにPolyBOを開発した。 PolyBOは、試行回数が限られている場合でも、高品質な擬似実験データを生成する。 実世界の材料組成最適化問題では、PolyBOは従来の手法に比べて中央値の96%の最適化時間を短縮した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bayesian optimization (BO) is an optimization method that sequentially proposes the next candidate explainable variables for optimizing target variables by balancing exploration and exploitation. BO is often used under a limited evaluation budget, such as hyperparameter tuning of deep learning. Despite its effectiveness, conventional BO may have poor convergence in practical experimental science where each evaluation is often costly and time-consuming. Recently, BO methods have been proposed that accelerate optimization by using pseudo-experimental data that simulate experimental data. However, when only a limited number of experimental data are available, the generated pseudo-experimental data may be of insufficient quality. In this study, we developed PolyBO to improve optimization time by generating high-quality pseudo-experimental data even when the number of trials is limited. PolyBO performs BO efficiently by generating pseudo-experimental data with an adaptively updated versatile parametric model. This low-capacity polynomial regression model is intended to enable efficient BO even with limited experimental data. PolyBO updates the BO surrogate model with a combined dataset consisting of experimental data and pseudo-experimental data and then performs optimization. Using synthetic benchmark functions with diverse landscapes, we found that PolyBO reduced the optimization time by a median of 42\%. For a real-world material composition optimization problem, PolyBO reduced the optimization time by a median of 96\% compared with conventional methods. Overall, PolyBO achieves efficient optimization in settings where each experiment requires a long time.
• Abstract（参考訳）: ベイズ最適化(英: Bayesian Optimization, BO)は、探索と搾取のバランスをとることで、対象変数を最適化する次の候補変数を逐次提案する最適化手法である。 BOは、ディープラーニングのハイパーパラメータチューニングなど、限られた評価予算の下でよく使用される。 その有効性にもかかわらず、従来のBOは、それぞれの評価がコストと時間を要するような実践的な実験科学において、収束が不十分である可能性がある。 近年,実験データをシミュレートする擬似実験データを用いて,最適化を高速化するBO法が提案されている。 しかし、限られた実験データしか入手できない場合、生成した擬似実験データの品質は不十分である可能性がある。 本研究では,試験回数に制限がある場合でも,高品質な擬似実験データを生成することにより,最適化時間を改善するPolyBOを開発した。 PolyBOは、適応的に更新された多目的パラメトリックモデルで擬似実験データを生成してBOを効率的に行う。 この低容量多項式回帰モデルは、限られた実験データであっても効率的なBOを実現することを意図している。 PolyBOは、実験データと擬似実験データを組み合わせたデータセットでBO代理モデルを更新し、最適化を行う。 多様な景観を持つ総合的なベンチマーク関数を用いて,PolyBOは最適化時間を中央値42\%削減した。 実世界の材料組成最適化問題では、PolyBOは従来の手法に比べて中央値の96倍の最適化時間を短縮した。 全体としてPolyBOは、各実験に長時間を要する設定において、効率的な最適化を実現している。

関連論文リスト

• Asynchronous Batch Bayesian Optimization with Pipelining Evaluations for Experimental Resource$\unicode{x2013}$constrained Conditions [0.0]
  PipeBOは実験の様々なプロセスに重なり合うことで実験の並列化を実現するように設計された。 最適化の平均処理時間は2つのプロセスからなる実験で約56%、24の関数のうち20のプロセスでさらに少ない。
  論文  参考訳（メタデータ） (2024-12-05T18:06:09Z)
• Pessimistic asynchronous sampling in high-cost Bayesian optimization [0.0]
  非同期ベイズ最適化(英: Asynchronous Bayesian optimization)は実験系と解離系の並列動作を可能にする手法である。 悲観的な非同期ポリシーは、等価なシリアルポリシーよりもはるかに少ない実験で最適な実験条件に達した。 この研究で示された悲観的アルゴリズムは、より高速なサンプリングレートを考慮せずに、より効率的なアルゴリズム駆動による高コスト実験空間の最適化をもたらす可能性がある。
  論文  参考訳（メタデータ） (2024-06-21T16:35:27Z)
• PMBO: Enhancing Black-Box Optimization through Multivariate Polynomial Surrogates [0.0]
  我々は、PMBO(Polynomial-based Optimization)と呼ばれるサロゲートベースのブラックボックス最適化手法を導入する。 PMBOの性能を解析的テスト関数の集合に対するいくつかの最適化手法と比較する。 興味深いことに、PMBOは最先端の進化アルゴリズムと互換性がある。
  論文  参考訳（メタデータ） (2024-03-12T10:21:21Z)
• 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)
• 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)
• Parallel Bayesian Optimization Using Satisficing Thompson Sampling for Time-Sensitive Black-Box Optimization [0.0]
  本稿では,Thompsonサンプリングに基づく並列BO手法を提案する。 ターゲットを最適なソリューションから、学習しやすい満足できるソリューションにシフトします。 リチウムイオン電池の高速充電設計問題に対して提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2023-10-19T07:03:51Z)
• Decreasing the Computing Time of Bayesian Optimization using Generalizable Memory Pruning [56.334116591082896]
  本稿では,任意のサロゲートモデルと取得関数で使用可能なメモリプルーニングとバウンダリ最適化のラッパーを示す。 BOを高次元または大規模データセット上で実行することは、この時間の複雑さのために難解になる。 すべてのモデル実装はMIT Supercloudの最先端コンピューティングハードウェア上で実行される。
  論文  参考訳（メタデータ） (2023-09-08T14:05:56Z)
• Provably Efficient Bayesian Optimization with Unknown Gaussian Process Hyperparameter Estimation [44.53678257757108]
  目的関数の大域的最適値にサブ線形収束できる新しいBO法を提案する。 本手法では,BOプロセスにランダムなデータポイントを追加するために,マルチアームバンディット法 (EXP3) を用いる。 提案手法は, 様々な合成および実世界の問題に対して, 既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-12T03:35:45Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• Fast Bayesian Optimization of Needle-in-a-Haystack Problems using Zooming Memory-Based Initialization [73.96101108943986]
  Needle-in-a-Haystack問題は、データセットのサイズに対して最適な条件が極端に不均衡であるときに発生する。 本稿では,従来のベイズ最適化原理に基づくズームメモリに基づく初期化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-26T23:57:41Z)
• Incorporating Expert Prior Knowledge into Experimental Design via Posterior Sampling [58.56638141701966]
  実験者は、グローバルな最適な場所に関する知識を得ることができる。 グローバル最適化に関する専門家の事前知識をベイズ最適化に組み込む方法は不明である。 効率の良いベイズ最適化手法は、大域的最適の後方分布の後方サンプリングによって提案されている。
  論文  参考訳（メタデータ） (2020-02-26T01:57:36Z)

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。