論文の概要: High-dimensional Multi-objective Bayesian Optimization with Learned Variable Interactions

• arxiv url: http://arxiv.org/abs/2608.11713v1
• Date: Wed, 12 Aug 2026 06:52:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.482575
• Title: High-dimensional Multi-objective Bayesian Optimization with Learned Variable Interactions
• Title（参考訳）: 学習変数相互作用を用いた高次元多目的ベイズ最適化
• Abstract要約: ViaMOBOは高次元決定空間を持つ高価な多目的問題のための一般的なフレームワークである。 我々は、ViaMOBOと、合成および実世界のベンチマークにおける最先端MOBO法を比較した。
• 参考スコア（独自算出の注目度）: 25.069520830613985
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-objective Bayesian optimization (MOBO) is effective in identifying the Pareto fronts for expensive black-box problems. However, most current MOBO approaches are limited to low-dimensional decision space due to its exponential sampling complexity. This paper presents decision variable interaction analysis-based MOBO, ViaMOBO, a generic framework for expensive multi-objective problems with high-dimensional decision space. The key idea of ViaMOBO is that it utilizes a variable interaction analysis model to determine whether the decision space can be completely or partially divided, and then performs local Bayesian optimization in the divided decision subspaces. Through the variable analysis model, it can be derived whether the objectives in black-box problems are separable, partially separable, or non-separable based on the potential independent or interdependent relationships among decision variables without any strong assumptions. We compare ViaMOBO with the state-of-the-art MOBO methods on both synthetic and real-world benchmarks. The experimental results demonstrate that ViaMOBO outperforms other related MOBO baselines in approximating the Pareto front of high-dimensional expensive multi-objective problems.
• Abstract（参考訳）: 多目的ベイズ最適化(MOBO)は高価なブラックボックス問題に対するパレートフロントの同定に有効である。 しかし、現在のMOBOアプローチのほとんどは、指数的サンプリングの複雑さのため、低次元の決定空間に限られている。 本稿では,高次元決定空間を持つ高コスト多目的問題に対する汎用フレームワークであるMOBO,ViaMOBOを提案する。 ViaMOBOの鍵となる考え方は、変数相互作用解析モデルを用いて、決定空間が完全にあるいは部分的に分割可能かどうかを判断し、分割された決定部分空間で局所ベイズ最適化を実行することである。 変数解析モデルにより、ブラックボックス問題の目的が、強い仮定なしに、決定変数間の潜在的独立性または相互依存関係に基づいて分離可能か、部分的に分離可能か、あるいは非分離可能かを導出することができる。 我々は、ViaMOBOと、合成および実世界のベンチマークにおける最先端MOBO法を比較した。 実験の結果,ViaMOBOは他のMOBOベースラインよりも高い性能を示し,高次元高額な多目的問題のパレート前部を近似した。

関連論文リスト

• Split the Differences, Pool the Rest: Provably Efficient Multi-Objective Imitation [49.86232017439639]
  マルチ出力拡張行動クローン(MA-BC)について紹介する。 MA-BCは、振る舞いの衝突が観測されない状態-動作ペアをプールしながら、専門家データを分離する。 我々は,MA-BCが極小であることを示す,多目的模倣学習のための新しい下位境界を確立する。
  論文  参考訳（メタデータ） (2026-05-12T11:49:08Z)
• 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)
• BOFormer: Learning to Solve Multi-Objective Bayesian Optimization via Non-Markovian RL [15.127370150885348]
  我々は,汎用的なQ-ラーニングフレームワークを提案し,このフレームワークをMOBOのシーケンス・モデリングによりサブスタンス化する textitBOFormer を提案する。 広範な評価により,BOFormerは,ベンチマークルールベースのアルゴリズムや学習ベースのアルゴリズムよりも常に優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-28T05:00:50Z)
• Multi-Objective Causal Bayesian Optimization [2.5311562666866494]
  マルチターゲット因果グラフ内の最適介入を特定するために,MO-CBO(Multi-Objective Causal Bayesian Optimization)を提案する。 我々はMO-CBOを複数の従来の多目的最適化タスクに分解可能であることを示す。 提案手法は,合成と実世界の因果グラフの両方で検証する。
  論文  参考訳（メタデータ） (2025-02-20T17:26:16Z)
• 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)
• 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)
• MAP: Low-compute Model Merging with Amortized Pareto Fronts via Quadratic Approximation [80.47072100963017]
  Amortized Pareto Front (MAP) を用いた新しい低演算アルゴリズム Model Merging を導入する。 MAPは、複数のモデルをマージするためのスケーリング係数のセットを効率的に識別し、関連するトレードオフを反映する。 また,タスク数が比較的少ないシナリオではベイジアンMAP,タスク数の多い状況ではNested MAPを導入し,計算コストを削減した。
  論文  参考訳（メタデータ） (2024-06-11T17:55:25Z)
• UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [51.00436121587591]
  マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。 重みベクトル w でパラメトリした線型効用関数の場合に焦点を当てる。 学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-05-01T09:34:42Z)
• 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)
• Pareto Set Learning for Expensive Multi-Objective Optimization [5.419608513284392]
  膨大な多目的最適化問題は、多くの現実世界のアプリケーションで見られる。 本稿では,MOBOのパレート集合全体を近似する学習に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-10-16T09:41:54Z)
• MOLE: Digging Tunnels Through Multimodal Multi-Objective Landscapes [0.0]
  局所的に効率的な(LE)集合は、しばしば局所探索のトラップと見なされるが、決定空間において孤立されることは滅多にない。 Multi-Objective Gradient Sliding Algorithm (MOGSA)は、これらの重ね合わせを利用するアルゴリズムの概念である。 我々は,MMMOO問題におけるLE集合を効率的にモデル化し,活用できる新しいアルゴリズムであるMulti-Objective Landscape Explorer (MOLE)を提案する。
  論文  参考訳（メタデータ） (2022-04-22T17:54:54Z)
• Multi-Objective Bayesian Optimization over High-Dimensional Search Spaces [16.368143857907]
  MORBOは高次元探索空間上での多目的ベイズ最適化手法である。 我々は,MORBOが高次元合成および実世界の多目的問題に対して,サンプル効率の最先端性を著しく向上させることを示す。
  論文  参考訳（メタデータ） (2021-09-22T18:30:07Z)

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。