論文の概要: Exploiting Separability in Multi-Scale Grey-Box Bayesian Optimization
- arxiv url: http://arxiv.org/abs/2608.03045v1
- Date: Tue, 04 Aug 2026 02:53:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:23.001756
- Title: Exploiting Separability in Multi-Scale Grey-Box Bayesian Optimization
- Title（参考訳）: マルチスケールグレイボックスベイズ最適化における爆発分離性
- Abstract要約: 決定変数が自然にブラックボックス変数とホワイトボックス変数に分割する最適化問題を考察する。
ブラックボックス変数のみの関数として目的を最適化する外部ベイズ最適化(BO)と、グローバル最適化によるホワイトボックスサブプロブレムを内部問題として、この分離性を利用する。
13のベンチマーク問題スイートでは、双方向BOは、繰り返しや壁時計の時間を少なくして、より少ない後悔を達成している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider grey-box optimization problems where the decision variables naturally partition into black-box variables (as arguments to an expensive black-box function) and white-box variables, governed by a set of explicit, closed-form equations that also depend on the output of the black-box function. We exploit this separability through a bilevel reformulation: an outer Bayesian optimization (BO) to optimize the scalar objective as a function of black-box variables alone, while an inner problem solves the white-box subproblem via global optimization. The Gaussian process surrogate used in BO is therefore defined rather than and white-box constraints are satisfied exactly whenever the inner optimizer converges to a feasible point---without penalty functions, chance constraints, or moment approximations. On a suite of 13 benchmark problems, bilevel BO achieves lower regret, with fewer iterations and wall clock time. This advantage is robust to initialization set size, exploration parameters, and inner-solver choice.
- Abstract（参考訳）: 決定変数をブラックボックス変数(高価なブラックボックス関数の引数として)とホワイトボックス変数に自然に分割するグレーボックス最適化問題を考える。
ブラックボックス変数のみの関数としてスカラー目的を最適化するための外部ベイズ最適化(BO)と、大域的最適化によるホワイトボックスのサブプロブレムを内部問題として、この分離性を利用する。
したがって、BO で使用されるガウス過程はむしろ定義され、内部オプティマイザがペナルティ関数、チャンス制約、モーメント近似なしで実現可能な点に収束するときに、ホワイトボックスの制約は正確に満たされる。
13のベンチマーク問題スイートでは、双方向BOは、繰り返しや壁時計の時間を少なくして、より少ない後悔を達成している。
この利点は初期化セットのサイズ、探索パラメータ、内部溶媒選択に対して堅牢である。
関連論文リスト
- High Dimensional Bayesian Optimization using Lasso Variable Selection [9.051539805042651]
本稿では,ガウスプロセスカーネルの長さスケールを推定することにより,重要な変数を識別する新しい手法を提案する。
提案手法は, 最悪の場合において, サブ線形成長率で累積的後悔を達成できることを実証する。
高次元合成関数と実世界の問題に対する実験により,本手法が最先端の性能を達成することを示す。
論文 参考訳（メタデータ） (2025-04-02T13:54:04Z) - Sharpness-Aware Black-Box Optimization [47.95184866255126]
シャープネスを考慮したブラックボックス最適化(SABO)アルゴリズムを提案する。
実験により, モデル一般化性能向上のためのSABO法の有効性が実証された。
論文 参考訳（メタデータ） (2024-10-16T11:08:06Z) - Computing Star Discrepancies with Numerical Black-Box Optimization
Algorithms [56.08144272945755]
我々は,L_infty$星差分問題に対する8つの一般的な数値ブラックボックス最適化アルゴリズムを比較した。
使用済みのソルバは、ほとんどのケースで非常にひどいパフォーマンスを示します。
我々は、最先端の数値ブラックボックス最適化手法が問題のグローバルな構造を捉えるのに失敗していると疑っている。
論文 参考訳（メタデータ） (2023-06-29T14:57:56Z) - Bayesian Optimization of Expensive Nested Grey-Box Functions [11.523746174066702]
ブラックボックス関数とホワイトボックス関数の両方からなるグレーボックス目的関数を最適化する問題を考察する。
このようなグレーボックス問題に対する一般的な定式化が与えられ、これは既存のグレーボックス最適化の定式化を特別な場合としてカバーしている。
次に、最適化駆動型アルゴリズムを設計して解決する。
論文 参考訳（メタデータ） (2023-06-08T12:18:18Z) - Bayesian Optimistic Optimisation with Exponentially Decaying Regret [58.02542541410322]
現在の実用的なBOアルゴリズムは、$mathcalO(fraclogNsqrtN)$から$mathcalO(e-sqrtN)$まで、$N$は評価の数である。
本稿では,boと木に基づく楽観的楽観化の概念を絡み合うことにより,無音環境における後悔を改善できる可能性について検討する。
次数$mathcal O(N-sqrt)で指数的再帰を達成できる最初の実践的手法であるBOOアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-05-10T13:07:44Z) - Implicit differentiation for fast hyperparameter selection in non-smooth
convex learning [87.60600646105696]
内部最適化問題が凸であるが非滑らかである場合の一階法を研究する。
本研究では, ヤコビアンの近位勾配降下と近位座標降下収率列の前方モード微分が, 正確なヤコビアンに向かって収束していることを示す。
論文 参考訳（メタデータ） (2021-05-04T17:31:28Z) - Bayesian Algorithm Execution: Estimating Computable Properties of
Black-box Functions Using Mutual Information [78.78486761923855]
多くの現実世界では、T関数の評価の予算を考えると、高価なブラックボックス関数 f の性質を推測したい。
本稿では,アルゴリズムの出力に対して相互情報を最大化するクエリを逐次選択する手法InfoBAXを提案する。
これらの問題に対してInfoBAXは、元のアルゴリズムで要求されるより500倍少ないクエリをfに使用する。
論文 参考訳（メタデータ） (2021-04-19T17:22:11Z) - Adaptive Local Bayesian Optimization Over Multiple Discrete Variables [9.860437640748113]
本稿では,チームKAIST OSIのアプローチをステップワイズで記述し,ベースラインアルゴリズムを最大20.39%向上させる。
同様の方法では,ベイジアンとマルチアームドバンディット(mab)の手法を組み合わせ,変数型を考慮した値選択を行う。
経験的評価により,提案手法は既存の手法を異なるタスクにまたがる性能を示す。
論文 参考訳（メタデータ） (2020-12-07T07:51:23Z) - Combinatorial Bayesian Optimization with Random Mapping Functions to
Convex Polytopes [43.19936635161588]
大規模空間でうまく動作するような空間におけるベイズ最適化法を提案する。
提案アルゴリズムは,既存手法と比較して良好な性能を示す。
論文 参考訳（メタデータ） (2020-11-26T02:22:41Z) - A Two-Timescale Framework for Bilevel Optimization: Complexity Analysis
and Application to Actor-Critic [142.1492359556374]
双レベル最適化は、2レベル構造を示す問題のクラスである。
このような二段階問題に対処するための2段階近似(TTSA)アルゴリズムを提案する。
本稿では,TTSAフレームワークの特殊な事例として,2段階の自然なアクター・クリティカルポリシー最適化アルゴリズムが有用であることを示す。
論文 参考訳（メタデータ） (2020-07-10T05:20:02Z) - 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) - DEFT-FUNNEL: an open-source global optimization solver for constrained
grey-box and black-box problems [0.0]
DEFT-FUNNELは、一般的な制約付きグレーボックス問題とブラックボックス問題に対する、オープンソースのグローバル最適化アルゴリズムである。
実験に使用するテストセットのコードもGithubリポジトリから入手可能だ。
論文 参考訳（メタデータ） (2019-12-29T11:43:53Z)
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。