論文の概要: Out-Of-The-Loop Multi-Fidelity Bayesian Optimization
- arxiv url: http://arxiv.org/abs/2608.04113v1
- Date: Tue, 04 Aug 2026 18:07:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 14:48:43.577998
- Title: Out-Of-The-Loop Multi-Fidelity Bayesian Optimization
- Title（参考訳）: Out-Of-The-Loop Multi-Fidelity Bayesian Optimization
- Authors: Gustavo Sutter, Hao Wang, Luis Ricardez-Sandoval, Pascal Poupart, Agustinus Kristiadi,
- Abstract要約: ブラックボックス最適化は科学と工学におけるユビキタスな問題である。
MF-BOはこの問題に対する原則的なアプローチであり、目的を問う際に異なる忠実度間の相関を利用する。
上記の実世界のシナリオでは, 理想的な仮定の下でも, 標準的なMF-BOアルゴリズムの準最適性を実証する。
- 参考スコア（独自算出の注目度）: 19.257011368308326
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Black-box optimization is a ubiquitous problem in science and engineering, often dealing with expensive objective functions with cheaper lower-fidelity proxies available. Multi-fidelity Bayesian optimization (MF-BO) is a principled approach to this problem, leveraging correlations across different fidelities when querying the objective. However, for many important MF-BO tasks, the true highest-fidelity function is prohibitively expensive to be part of the optimization loop. Nevertheless, practitioners often have gold standard data (observations of the highest-fidelity function) obtained from previous experiments that might provide information for the current task. For instance, in molecular optimization, chemists often pick the top-$k$ candidate molecules using various computer simulations, and later reveal their true objective function values. In this work, we demonstrate the suboptimality of standard MF-BO algorithms in the real-world scenarios above, even under ideal assumptions. Next, we mitigate this problem by incorporating historical high-fidelity data accompanied by task descriptors---which can be explicitly given or extracted from unstructured metadata. We demonstrate the effectiveness of our methods on synthetic functions, as well as real-world problems in chemistry and hyperparameter optimization.
- Abstract（参考訳）: ブラックボックス最適化は科学と工学においてユビキタスな問題であり、しばしば安価な低忠実度プロキシを持つ高価な目的関数を扱う。
MF-BO(Multi-fidelity Bayesian Optimization, MF-BO)は、目的を問う際に異なる忠実度間の相関を利用して、この問題に対する原理的なアプローチである。
しかし、多くの重要なMF-BOタスクでは、真の高忠実度関数は最適化ループの一部となるのが違法に高価である。
それにもかかわらず、実践者は、しばしば、現在のタスクに関する情報を提供するかもしれない以前の実験から得られる金の標準データ(最も忠実な関数の観測)を持っている。
例えば、分子最適化において、化学者は様々な計算機シミュレーションを用いて上位$kの候補分子を選択し、後に真の目的関数値を明らかにする。
本研究では,上記の実世界のシナリオにおいて,理想的な仮定の下でも標準的なMF-BOアルゴリズムの準最適性を実証する。
次に,非構造化メタデータから明示的に付与・抽出できるタスク記述子を伴う履歴的高忠実度データを組み込むことにより,この問題を軽減する。
化学およびハイパーパラメータ最適化における実世界の問題と同様に, 合成機能に対する本手法の有効性を実証する。
関連論文リスト
- Bayesian Optimization for Function-Valued Responses under Min-Max Criteria [0.4258175645355975]
min-max Functional Bayesian Optimization (MM-FBO) は、関数領域間の最大誤差を直接最小化するフレームワークである。
最悪の場合の目的に対する離散化と、サロゲートが正確になり不確実性が消滅すると、取得は真の min-max 目標に収束することを示す一貫性結果の2つの理論的な保証を提供する。
論文 参考訳（メタデータ） (2025-11-26T20:32:07Z) - Non-Myopic Multi-Objective Bayesian Optimization [64.31753000439514]
多目的最適化問題を解くために、有限水平逐次実験設計の問題を考察する。
この問題は、材料設計を含む多くの現実世界の応用で発生する。
我々はMOO問題に対する最初の非ミオピック手法を提案する。
論文 参考訳（メタデータ） (2024-12-11T04:05:29Z) - Physics-Aware Multifidelity Bayesian Optimization: a Generalized Formulation [0.0]
MFBO(Multifidelity Bayesian Method)は、クエリのサブセレクションのみに対して、コストの高い高忠実度応答を組み込むことができる。
State-of-the-artメソッドは純粋にデータ駆動型検索に依存しており、物理的なコンテキストに関する明示的な情報は含まない。
本稿では、これらのデータ駆動探索を高速化するために、工学的問題の物理領域に関する事前知識を活用することができることを認めた。
論文 参考訳（メタデータ） (2023-12-10T09:11:53Z) - 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) - BOtied: Multi-objective Bayesian optimization with tied multivariate ranks [33.414682601242006]
本稿では,非支配解と結合累積分布関数の極端量子化との自然な関係を示す。
このリンクにより、我々はPareto対応CDFインジケータと関連する取得関数BOtiedを提案する。
種々の合成および実世界の問題に対する実験により,BOtied は最先端MOBO 取得関数より優れていることが示された。
論文 参考訳（メタデータ） (2023-06-01T04:50:06Z) - Generalizing Bayesian Optimization with Decision-theoretic Entropies [102.82152945324381]
統計的決定論の研究からシャノンエントロピーの一般化を考える。
まず,このエントロピーの特殊なケースがBO手順でよく用いられる獲得関数に繋がることを示す。
次に、損失に対する選択肢の選択が、どのようにして柔軟な獲得関数の族をもたらすかを示す。
論文 参考訳（メタデータ） (2022-10-04T04:43:58Z) - Pre-training helps Bayesian optimization too [49.28382118032923]
機能的事前設定のための代替的なプラクティスを模索する。
特に、より厳密な分布を事前訓練できるような、類似した関数のデータを持つシナリオを考察する。
提案手法は, 競合する手法の少なくとも3倍の効率で, 優れたハイパーパラメータを見つけることができることを示す。
論文 参考訳（メタデータ） (2022-07-07T04:42:54Z) - Multi-Fidelity Bayesian Optimization via Deep Neural Networks [19.699020509495437]
多くのアプリケーションでは、目的関数を複数の忠実度で評価することで、コストと精度のトレードオフを可能にする。
本稿では,DNN-MFBO(Deep Neural Network Multi-Fidelity Bayesian Optimization)を提案する。
本手法の利点は, 総合的なベンチマークデータセットと, 工学設計における実世界の応用の両方にある。
論文 参考訳（メタデータ） (2020-07-06T23:28:40Z)
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。