論文の概要: DASH: Decoupled Adaptive Surrogate - Acquisition Harness for Automated Bayesian Optimization
- arxiv url: http://arxiv.org/abs/2608.00641v1
- Date: Sat, 01 Aug 2026 12:53:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:24.845548
- Title: DASH: Decoupled Adaptive Surrogate - Acquisition Harness for Automated Bayesian Optimization
- Title（参考訳）: DASH: Recoupled Adaptive Surrogate - 自動ベイズ最適化のための獲得ハーネス
- Authors: Changquan Zhao, Yuxiang Sun, Ruihao Zhu, Cheng Hua, Yulian He,
- Abstract要約: 本稿では,大言語モデル (LLM) を拡張した AutoBO のためのアダプティブ・サロゲート DASH を提案する。
DASHは、予測信頼性、不確実性校正、ランキング一貫性によってサロゲートを選択する。
その2段階の取得コントローラは、定期的に取得関数間でクォータを割り当て、それに従ってBOショートリストを構築し、最終選択をLLMに委譲する。
- 参考スコア（独自算出の注目度）: 12.252442080784633
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bayesian optimization (BO) relies on a surrogate model and an acquisition function, yet the most suitable choices vary across tasks and optimization stages. Automated Bayesian optimization (AutoBO) addresses this variability by adapting BO components online. However, existing AutoBO methods either adapt one component, leaving the other mismatched and creating a bottleneck, or jointly select surrogate--acquisition pairs under a shared criterion, overlooking their distinct roles: surrogate selection depends on predictive reliability, whereas acquisition adaptation should respond to campaign context.In this paper, we propose DASH, a Decoupled Adaptive Surrogate--Acquisition Harness for large-language- model (LLM)-enhanced AutoBO. DASH selects surrogates by predictive reliability, uncertainty calibration, and ranking consistency; its two-stage acquisition controller periodically reallocates quotas across acquisition functions, builds a BO shortlist accordingly, and delegates final selection to an LLM. DASH also incorporates an integrated harness, consisting of knowledge-guided warm start and structured memory, to ground optimization in domain knowledge and accumulated feedback. Across four chemical optimization tasks, DASH outperforms the best AutoBO baseline by 12.51% in trajectory-level Acceleration Factor and 5.00% in endpoint Enhancement Factor. Results remain strong across LLM backbones, and ablations verify the complementary contributions of all components. Full-table and behavioral contamination checks find no detectable evidence that direct benchmark memorization or source-cell leakage explains these gains.
- Abstract（参考訳）: ベイズ最適化(BO)は代理モデルと獲得関数に依存しているが、最も適した選択はタスクや最適化段階によって異なる。
自動ベイズ最適化(AutoBO)は、BOコンポーネントをオンラインで適応することで、この変動に対処する。
しかし,既存のAutoBO手法は,一方のコンポーネントを適応させ,他方のコンポーネントをミスマッチさせ,ボトルネックを生じさせたり,あるいは共有基準の下でサロゲート獲得ペアを共同で選択したり,それぞれの役割を見越してサロゲート選択は予測的信頼性に依存し,一方,買収適応はキャンペーンコンテキストに応答するべきである。この記事では,大言語モデル(LLM)を拡張したAutoBOに対して,DASHを提案する。
DASHは、予測信頼性、不確実キャリブレーション、ランキング整合性によりサロゲートを選択し、この2段階取得コントローラは、定期的に、取得機能間でクォータを割り当て、それに応じてBOショートリストを構築し、最終選択をLLMに委譲する。
DASHはまた、知識誘導型ウォームスタートと構造化メモリからなる統合されたハーネスを導入し、ドメイン知識の最適化とフィードバックの蓄積を実現している。
4つの化学最適化タスクにおいて、DASHは12.51%の軌道レベルの加速係数、5.00%のエンドポイント拡張係数で最高のAutoBOベースラインを上回っている。
結果はLSMのバックボーン全体で強く保たれており、全てのコンポーネントの補完的な貢献が検証されている。
フルテーブルおよび行動汚染チェックでは、直接ベンチマーク記憶やソースセルリークがこれらの利益を説明する検出可能な証拠は見つからない。
関連論文リスト
- Ensemble Diversity Optimization for Subjective Supervision [4.032367157209129]
本稿では,アンサンブル重み,有効濃度,校正を共同で最適化する予測空間フレームワークであるEnsemble Diversity Optimization (EDO)を紹介する。
EDOはGumbel-Softmax緩和を通じてアンサンブルの構成とサイズを学習し、署名された多様性正規化器を組み込む。
論文 参考訳（メタデータ） (2026-07-09T13:53:02Z) - Meta-Black-Box Optimization with Ensemble Surrogate Modeling for Robustness-Accuracy Trade-off within SAEA [10.077883256783348]
本稿では,アダプティブ・アンサンブル・サロゲート支援進化アルゴリズムであるAdaE-SAEAを提案する。
AdaE-SAEAはSAEAをMetaBBOフレームワークの低レベルとして組み込み、インフィル基準とアンサンブルに基づくサロゲートモデリングを共同で制御する。
AdaE-SAEAは最先端のベースラインやMetaBBOベース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） (2026-05-30T19:26:32Z) - AceGRPO: Adaptive Curriculum Enhanced Group Relative Policy Optimization for Autonomous Machine Learning Engineering [52.67783579040657]
AceGRPOは、エージェントの学習フロンティアにおけるタスクを優先順位付けして学習効率を最大化する機械学習システムである。
我々のトレーニングされたAce-30Bモデルは、MLE-Bench-Lite上で100%有効な応募率を実現し、プロプライエタリなフロンティアモデルの性能にアプローチし、より大きなオープンソースベースラインを上回ります。
論文 参考訳（メタデータ） (2026-02-08T10:55:03Z) - Calibrating Agent-Based Financial Markets Simulators with Pretrainable Automatic Posterior Transformation-Based Surrogates [5.002657036975061]
エージェントベースモデル(ABM)は複雑な社会システムをシミュレーションするための重要な最適化問題である。
目的は、シミュレーションデータと実世界の観測との差を最小限に抑えて、与えられたABMの最適パラメータを特定することである。
既存の手法では,1) ABMの非線形だがマルチモーダルな性質のため,元の評価関数のサロゲートは困難であり,2) 一般的なサロゲートは複数のキャリブレーションタスク間で最適化経験を共有できない。
本研究は、負相関探索と適応信頼回帰を用いた自動後部変換を提案する。
論文 参考訳（メタデータ） (2026-01-11T14:05:26Z) - Bayesian Test-time Adaptation for Object Recognition and Detection with Vision-language Models [86.53246292425699]
我々は、オブジェクト認識と検出の両方のためのTTAのためのトレーニングフリーフレームワークであるBCA+を提案する。
我々はベイズ推論問題として適応を定式化し、キャッシュベースの予測で初期VLM出力を融合することで最終的な予測を生成する。
BCA+は、認識と検出のベンチマークの両方で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-10-03T06:27:33Z) - CorrSteer: Generation-Time LLM Steering via Correlated Sparse Autoencoder Features [1.5874067490843806]
提案するCorrSteerは,サンプルの正しさとSAEのアクティベーションを推論時に生成したトークンから関連付けて特徴を選択する。
我々の研究は、言語モデルアプリケーション間での自動SAEステアリングのための効果的でスケーラブルなアプローチとして相関ベースの選択を確立する。
論文 参考訳（メタデータ） (2025-08-18T00:01:42Z) - On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。
推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。
本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
論文 参考訳（メタデータ） (2025-04-02T17:40:47Z) - Ranking over Regression for Bayesian Optimization and Molecule Selection [0.0680892187976602]
本稿ではランキングモデルを用いたランクベースベイズ最適化(RBO)を提案する。
本稿では, 各種化学データセットにおける従来のBOと比較して, RBOの最適化性能について包括的に検討する。
RBOはレグレッションベースのBOに代わる有効な代替品であり、特に新規化合物の最適化に有効である。
論文 参考訳（メタデータ） (2024-10-11T22:38:14Z) - Bridging and Modeling Correlations in Pairwise Data for Direct Preference Optimization [75.1240295759264]
本稿では,BMC という名前のペアデータにおけるブリッジ・アンド・モデリングの効果的なフレームワークを提案する。
目的の修正によって、ペアの選好信号の一貫性と情報性が向上する。
DPOだけではこれらの相関をモデル化し、ニュアンス付き変動を捉えるには不十分である。
論文 参考訳（メタデータ） (2024-08-14T11:29:47Z) - Cost-Sensitive Multi-Fidelity Bayesian Optimization with Transfer of Learning Curve Extrapolation [55.75188191403343]
各ユーザが事前に定義した機能であるユーティリティを導入し,BOのコストと性能のトレードオフについて述べる。
このアルゴリズムをLCデータセット上で検証した結果,従来のマルチファイルBOや転送BOベースラインよりも優れていた。
論文 参考訳（メタデータ） (2024-05-28T07:38:39Z)
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。