論文の概要: Constraint-Bound Agnostic Bayesian Optimization: One Model for All Thresholds
- arxiv url: http://arxiv.org/abs/2607.23448v1
- Date: Sun, 26 Jul 2026 04:13:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.105544
- Title: Constraint-Bound Agnostic Bayesian Optimization: One Model for All Thresholds
- Title（参考訳）: 制約境界非依存ベイズ最適化:全ての閾値に対する1つのモデル
- Abstract要約: パラメトリック制約モデルマッピングしきい値を最適解に学習する学習ベースフレームワークを提案する。
ベンチマークと工学的問題に関する実験は、CBA-BOが伝達可能なしきい値-解写像を学習していることを示している。
- 参考スコア（独自算出の注目度）: 13.852878072213459
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Expensive constrained optimization problems in real-world industry design often involve constraint thresholds that are difficult to determine in advance. Engineers may need to adjust constraint thresholds to explore different feasibility-performance trade-offs, requiring solutions under a wide range of threshold settings. However, existing constrained Bayesian optimization methods treat each threshold configuration independently, leading to repeated optimization and failing to exploit the shared relationship among continuously varying thresholds. To address this challenge, we propose constraint-bound agnostic Bayesian optimization (CBA-BO), a learning-based framework that learns a parametric constraint model mapping thresholds to optimal solutions. Once learned, CBA-BO directly predicts solutions for arbitrary unseen threshold configurations without additional optimization, with a one-step Bayesian optimization refinement further improving solution quality. Experiments on benchmark and engineering problems demonstrate that CBA-BO learns a transferable threshold-solution mapping, enabling efficient prediction and optimization for arbitrary threshold queries. An intent-guided constraint-bound recommendation mechanism is further developed to improve objective performance while satisfying user-specified constraint preferences.
- Abstract（参考訳）: 実世界の産業設計における高額な制約付き最適化問題には、事前に決定することが難しい制約しきい値が伴うことが多い。
エンジニアは、さまざまな可能性とパフォーマンスのトレードオフを探索するために制約しきい値を調整する必要があるかもしれない。
しかし、既存の制約付きベイズ最適化法は、それぞれのしきい値の設定を独立に扱うため、繰り返し最適化され、連続的に変化するしきい値間の共有関係を利用できない。
この課題に対処するために、パラメトリック制約モデルマッピングしきい値を最適解に学習する学習ベースのフレームワークである制約拘束非依存ベイズ最適化(CBA-BO)を提案する。
一度学習すると、CBA-BOは、追加の最適化なしに、任意の未確認しきい値設定のソリューションを直接予測し、一段階のベイズ最適化の改良により、ソリューションの品質がさらに向上する。
ベンチマークと工学的問題の実験により、CBA-BOは転送可能なしきい値-解法マッピングを学習し、任意のしきい値クエリの効率的な予測と最適化を可能にした。
ユーザの指定した制約嗜好を満たしつつ、目的性能を向上させるために、意図誘導制約バウンドレコメンデーション機構をさらに開発する。
関連論文リスト
- CVaR-Assisted Custom Penalty Function for Constrained Optimization [3.652509571098291]
制約付き最適化問題は2次非制約二元最適化(QUBO)モデルとして頻繁に修正される。
標準QUBOの定式化は、スラック変数と二次罰則を通じて不等式制約を強制する。
補助スラック変数を除去する制約付きバイナリ最適化のためのスラックフリーペナルティの定式化を提案する。
論文 参考訳（メタデータ） (2026-04-22T01:08:38Z) - Constraint-Aware Generative Re-ranking for Multi-Objective Optimization in Advertising Feeds [3.791872390898376]
本稿では,制約付き最適化を有界神経復号に変換する制約対応生成フレームワークを提案する。
本フレームワークは,シーケンス生成と報酬推定をひとつのネットワークに統合する。
大規模産業用フィードとオンラインA/Bテストの実験により,厳格なレイテンシ要件を満たしながら,当社の手法が収益とユーザエンゲージメントを向上させることが示された。
論文 参考訳（メタデータ） (2026-03-04T16:09:36Z) - TCPO: Thought-Centric Preference Optimization for Effective Embodied Decision-making [75.29820290660065]
本稿では,効果的な具体的意思決定のための思考中心推論最適化(TCPO)を提案する。
モデルの中間的推論プロセスの整合性を強調し、モデル劣化の問題を緩和する。
ALFWorld環境での実験では、平均成功率は26.67%であり、RL4VLMよりも6%向上している。
論文 参考訳（メタデータ） (2025-09-10T11:16:21Z) - Learning Joint Models of Prediction and Optimization [56.04498536842065]
Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。
本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
論文 参考訳（メタデータ） (2024-09-07T19:52:14Z) - End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳（メタデータ） (2024-02-12T16:33:35Z) - Predict-Then-Optimize by Proxy: Learning Joint Models of Prediction and
Optimization [59.386153202037086]
Predict-Then-フレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。
このアプローチは非効率であり、最適化ステップを通じてバックプロパゲーションのための手作りの、問題固有のルールを必要とする。
本稿では,予測モデルを用いて観測可能な特徴から最適解を直接学習する手法を提案する。
論文 参考訳（メタデータ） (2023-11-22T01:32:06Z) - Global Optimization: A Machine Learning Approach [7.052596485478637]
Bertsimas と Ozturk (2023) は、ブラックボックスのグローバル最適化問題を解決する方法として OCTHaGOn を提案した。
我々は、他のMIO表現可能なMLモデルを用いて、元の問題を近似することで、このアプローチの拡張を提供する。
多くの場合において、ソリューションの実現可能性と最適性の改善を示す。
論文 参考訳（メタデータ） (2023-11-03T06:33:38Z) - Algorithm for Constrained Markov Decision Process with Linear
Convergence [55.41644538483948]
エージェントは、そのコストに対する複数の制約により、期待される累積割引報酬を最大化することを目的としている。
エントロピー正規化ポリシーとベイダの二重化という2つの要素を統合した新しい双対アプローチが提案されている。
提案手法は(線形速度で)大域的最適値に収束することが示されている。
論文 参考訳（メタデータ） (2022-06-03T16:26:38Z) - A Surrogate Objective Framework for Prediction+Optimization with Soft
Constraints [29.962390392493507]
SPO+や直接最適化のような決定に焦点をあてた予測手法が、このギャップを埋めるために提案されている。
本稿では,実世界の線形および半定値負の二次計画問題に対して,解析的に微分可能な主観的フレームワークを提案する。
論文 参考訳（メタデータ） (2021-11-22T17:09:57Z) - Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。
このアプローチは多くの実装と最適化の課題をもたらします。
提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
論文 参考訳（メタデータ） (2021-03-18T14:26:26Z) - Scalable Constrained Bayesian Optimization [10.820024633762596]
ブラックボックス制約下での高次元ブラックボックス関数のグローバルな最適化は、機械学習、制御、科学コミュニティにおける普及的なタスクである。
本稿では,上記の課題を克服し,現状を推し進めるスケーラブルな制約付きベイズ最適化(SCBO)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-02-20T01:48:46Z)
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。