Fugu-MT 論文翻訳(概要): Efficient multidisciplinary design via Bayesian optimization

論文の概要: Efficient multidisciplinary design via Bayesian optimization

arxiv url: http://arxiv.org/abs/2607.22560v1
Date: Thu, 28 May 2026 16:11:28 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-02 22:55:38.962856
Title: Efficient multidisciplinary design via Bayesian optimization
Title（参考訳）: ベイズ最適化による効率的な多分野設計
Abstract要約: 本研究は,特に航空学において,複雑で計算コストの高いシステムを最適化するためのベイズ最適化ツールSEGOMOEを紹介する。適応ガウス過程モデルを用いて、混合設計変数(連続的、離散的、分類的、階層的)を効率的に扱う。このツールは多要素データをサポートし、隠れ制約や高次元分解を含む単目的と多目的の両方の問題を解決する。
参考スコア（独自算出の注目度）: 0.6157382820537719
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This study introduces SEGOMOE, a Bayesian optimization tool for optimizing complex, computationally expensive systems, especially in aeronautics. It efficiently handles mixed design variables (continuous, discrete, categorical, hierarchical) using adaptive Gaussian process models. SEGOMOE combines expert models to address nonlinearities in objectives and constraints, leveraging the open-source Surrogate Modeling Toolbox (SMT). The tool supports multi-fidelity data and solves both single- and multi-objective problems, including hidden constraints and high-dimensional decomposition. Validated through benchmarks and real-world aeronautical applications, SEGOMOE proves to be robust and versatile for tackling multidisciplinary challenges.
Abstract（参考訳）: 本研究は,特に航空学において,複雑で計算コストの高いシステムを最適化するためのベイズ最適化ツールSEGOMOEを紹介する。適応ガウス過程モデルを用いて、混合設計変数(連続的、離散的、分類的、階層的)を効率的に扱う。 SEGOMOEは、専門家モデルを組み合わせて、オープンソースのSurrogate Modeling Toolbox(SMT)を活用し、目的と制約の非線形性に対処する。このツールは多要素データをサポートし、隠れ制約や高次元分解を含む単目的と多目的の両方の問題を解決する。 SEGOMOEは、ベンチマークと実世界の航空応用を通じて検証され、多分野の課題に取り組むために堅牢で汎用性があることが証明されている。

関連論文リスト

Multi-fidelity approaches for general constrained Bayesian optimization with application to aircraft design [0.34998703934432673]
目的と制約の両方から情報を取り入れることで、最適性を損なうことなく、計算コストをさらに削減できることを示す。提案手法を用いることで,予算に制限のある制約準拠のソリューションを86%から200%に削減できることを示す。
論文参考訳（メタデータ） (2026-03-30T20:36:13Z)
AlignMamba-2: Enhancing Multimodal Fusion and Sentiment Analysis with Modality-Aware Mamba [56.52470564147458]
マルチモーダル融合と感情分析のための効率的かつ効率的なフレームワークである textbfAlignMamba-2 を提案する。提案手法では, 最適輸送距離と最大平均離散度の両方を用いてモデルを正規化する2つのアライメント戦略を導入する。さらに重要なことは、モダリティに特有かつモダリティに偏ったエキスパートによるMixture-of-Expertsアーキテクチャを採用したModality-Aware Mamba層を設計することです。
論文参考訳（メタデータ） (2026-03-19T03:47:21Z)
An Integrated Fusion Framework for Ensemble Learning Leveraging Gradient Boosting and Fuzzy Rule-Based Models [59.13182819190547]
ファジィ規則に基づくモデルは解釈可能性に優れ、様々な分野に広く応用されている。複雑な設計仕様や大規模データセットのスケーラビリティといった課題に直面している。本稿では,モデル性能と解釈可能性を高めるために,両パラダイムの強みを融合した統合統合フレームワークを提案する。
論文参考訳（メタデータ） (2025-11-11T10:28:23Z)
Multi-objective Bayesian Optimization With Mixed-categorical Design Variables for Expensive-to-evaluate Aeronautical Applications [0.47812237695718757]
本研究の目的は,計算コストのかかる複雑なシステムを最適化する新しい手法を開発することである。提案手法(ベイズ最適化(Bayesian Optimization)と呼ばれる)は、適応サンプリングを用いて探索と利用のトレードオフを促進する。提案手法の有効性は、欧州計画 AGILE 4.0 の文脈における航空工学的な応用について検証された。
論文参考訳（メタデータ） (2025-04-14T06:44:13Z)
Vehicle Suspension Recommendation System: Multi-Fidelity Neural Network-based Mechanism Design Optimization [4.038368925548051]
自動車のサスペンションは運転性能と乗り心地を改善するように設計されているが、環境によって異なる種類が利用できる。従来の設計プロセスは多段階であり、設計候補の数を徐々に減らし、目標性能を満たすためにコスト分析を行う。近年、AIモデルはFAAの計算コストの削減に利用されている。
論文参考訳（メタデータ） (2024-10-03T23:54:03Z)
Towards Efficient Pareto Set Approximation via Mixture of Experts Based Model Fusion [53.33473557562837]
大規模深層ニューラルネットワークに対する多目的最適化問題を解くことは、損失ランドスケープの複雑さと高価な計算コストのために難しい課題である。本稿では,専門家(MoE)をベースとしたモデル融合を用いて,この問題を実用的でスケーラブルに解決する手法を提案する。特殊な単一タスクモデルの重みをまとめることで、MoEモジュールは複数の目的間のトレードオフを効果的に捉えることができる。
論文参考訳（メタデータ） (2024-06-14T07:16:18Z)
Generative AI Agents with Large Language Model for Satellite Networks via a Mixture of Experts Transmission [74.10928850232717]
本稿では、モデル定式化のための生成人工知能(AI)エージェントを開発し、送信戦略の設計に専門家(MoE)の混合を適用した。具体的には,大規模言語モデル(LLM)を活用して対話型モデリングパラダイムを構築する。定式化問題の解法として, MoE-proximal Policy Optimization (PPO) アプローチを提案する。
論文参考訳（メタデータ） (2024-04-14T03:44:54Z)
Rewards-in-Context: Multi-objective Alignment of Foundation Models with Dynamic Preference Adjustment [46.44464839353993]
リワード・イン・コンテキスト(Rewards-in-Context, RiC)を導入する。 RiCは単一のファンデーションモデルの教師付き微調整のみを必要とし、推論時間中にユーザの好みを動的に調整する。
論文参考訳（メタデータ） (2024-02-15T18:58:31Z)
Bayesian Quality-Diversity approaches for constrained optimization problems with mixed continuous, discrete and categorical variables [0.3626013617212667]
シミュレーション予算の制限という観点から,混合変数に基づく新しい品質多様性手法を提案する。提案手法は、複雑なシステム設計のための意思決定者にとって貴重なトレードオフを提供する。
論文参考訳（メタデータ） (2023-09-11T14:29:47Z)
A Pareto-optimal compositional energy-based model for sampling and optimization of protein sequences [55.25331349436895]
深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
論文参考訳（メタデータ） (2022-10-19T19:04:45Z)
Bayesian Optimization For Multi-Objective Mixed-Variable Problems [0.0]
このような問題に対する最初の混合変数多目的ベイズ最適化フレームワークであるMixMOBOを提案する。また、HedgeMOは、多目的問題における獲得関数のポートフォリオを利用する、修正されたHedge戦略である。合成問題において,MixMOBOは他の混合変数アルゴリズムに対して良好に動作することを示す。
論文参考訳（メタデータ） (2022-01-30T09:38:06Z)
Multi-Objective Constrained Optimization for Energy Applications via Tree Ensembles [55.23285485923913]
エネルギーシステムの最適化問題は、強い非線形系の挙動と複数の競合する目的のために複雑である。場合によっては、提案された最適解は、物理的性質や安全クリティカルな操作条件に関連する明示的な入力制約に従う必要がある。本稿では,ブラックボックス問題に対する制約付き多目的最適化のためのツリーアンサンブルを用いた新しいデータ駆動戦略を提案する。
論文参考訳（メタデータ） (2021-11-04T20:18:55Z)

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。