論文の概要: Finding the Needle in a Haystack: Test-Time Analog Circuit Representation Adaptation for Bayesian Optimization
- arxiv url: http://arxiv.org/abs/2608.12687v1
- Date: Thu, 13 Aug 2026 01:09:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.356539
- Title: Finding the Needle in a Haystack: Test-Time Analog Circuit Representation Adaptation for Bayesian Optimization
- Title（参考訳）: ヘイスタックにおけるニードル探索:ベイズ最適化のためのテスト時間アナログ回路表現適応
- Abstract要約: 本稿では,ベイズ最適化(TTARO)のためのテスト時間アナログ表現適応を提案する。
TTAROはサーチプロセス全体を通して回路表現に適応する。
我々の実験では、TTAROは、BOと比較して平均して15.2%、Deep Learning(DKL)と比較して20.7%、後悔のAUCを15.2%削減する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bayesian optimization (BO) is a sample-efficient framework for analog circuit topology search, where evaluating each candidate topology can require costly simulation. However, representation-based BO methods typically treat circuit embeddings as fixed after encoder training. This creates a mismatch between representation learning and optimization: embeddings learned to encode or reconstruct circuit structure are not necessarily organized according to the figure of merit (FoM) being optimized. This paper introduces Test-Time Analog Representation Adaptation for Bayesian Optimization (TTARO), an online deep-kernel BO framework that adapts circuit representations throughout the search process. Starting from pretrained circuit embeddings, TTARO jointly learns a nonlinear feature transformation and a Gaussian-process surrogate using the FoM labels of the circuits evaluated so far. Following each new evaluation, TTARO updates the representation and surrogate before selecting the next candidate. We compare TTARO with conventional Gaussian Process-based BO over fixed embeddings and with Deep Kernel Learning (DKL), which learns the representation only from the initial evaluated designs and keeps it fixed throughout the remainder of the search. By continually incorporating newly observed FoM labels into representation learning, TTARO aligns the search space with the optimization objective as BO progresses. In our experiments, TTARO reduces regret AUC by 15.2% on average relative to BO and by 20.7% relative to DKL across 40 encoder/kernel/acquisition settings, outperforming prior art in most settings with reductions as large as 46.7%.
- Abstract（参考訳）: ベイズ最適化(英: Bayesian Optimization、BO)は、アナログ回路トポロジ探索のためのサンプリング効率のよいフレームワークであり、各候補トポロジの評価にはコストのかかるシミュレーションが必要である。
しかし、表現に基づくBO法は典型的にはエンコーダ訓練後に固定された回路埋め込みを扱う。
これは表現学習と最適化のミスマッチを生み出す:回路構造をエンコードまたは再構成するために学んだ埋め込みは、最適化されるメリットの図形(FoM)に従って必ずしも組織化されない。
本稿では、サーチプロセス全体を通して回路表現を適応させるオンラインディープカーネルBOフレームワークである、ベイズ最適化のためのテスト時間アナログ表現適応(TTARO)を提案する。
予めトレーニングされた回路埋め込みから始めて、TTAROはこれまでに評価された回路のFoMラベルを用いて非線形特徴変換とガウス過程サロゲートを共同で学習する。
新しい評価に従って、TTAROは表現を更新し、次の候補を選択する前に代理する。
我々は,TTAROと従来のガウスプロセスベースのBOを,固定埋め込みとDeep Kernel Learning(DKL)を比較した。
新たに観測されたFoMラベルを表現学習に継続的に組み込むことで、TTAROはBOが進行するにつれて、探索空間を最適化目標と整合させる。
実験では,約40エンコーダ/カーネル/取得設定で平均して約15.2%,DKLに対して約20.7%削減し,最大46.7%の削減率で先行技術を上回った。
関連論文リスト
- REVES: REvision and VErification--Augmented Training for Test-Time Scaling [53.197756110943395]
本稿では,オンラインデータ/プロンプト拡張とポリシー最適化を交互に行う2段階反復フレームワークを提案する。
我々は、RLベースライン上の+6.5点と、標準マルチターントレーニングにおける+4.0点の利得を観察する。
論文 参考訳（メタデータ） (2026-06-17T10:37:23Z) - Quantum Circuit Generation via test-time learning with large language models [0.0]
大規模言語モデル(LLM)は構造化されたアーティファクトを生成することができるが、科学的設計の信頼性として使用するにはブラックボックス評価の下で反復的改善のメカニズムが必要である。
LLMは固定長ゲートリストへの編集を提案し、外部シミュレータはMeyer-Wallach(MW)グローバルエンタングルメント尺度を用いて結果の状態を評価する。
従来のハイパフォーマンスな候補を明示的なメモリトレースとして再利用できる軽量なテスト時間学習レシピを導入し、スコア差フィードバックでプロンプトを強化し、再起動する。
論文 参考訳（メタデータ） (2026-02-03T12:41:25Z) - VBO-MI: A Fully Gradient-Based Bayesian Optimization Framework Using Variational Mutual Information Estimation [1.0829694003408499]
VBO-MIは多変量相互情報推定の最近の進歩を生かした,完全な勾配に基づくBOフレームワークである。
提案手法は,高次元合成関数や複雑な実世界のタスクを含む,多種多様なベンチマークを用いて評価する。
論文 参考訳（メタデータ） (2026-01-13T03:07:52Z) - Nonlinear Dimensionality Reduction Techniques for Bayesian Optimization [0.9303501974597549]
低次元ラテント空間BO(LSBO)の列に問題を還元する非線形次元減少手法について検討する。
本稿では,元来分子生成などのタスク用に設計され,より広い最適化のためにアルゴリズムを再構成した実装について述べる。
次に、LSBOと逐次領域還元(SDR)を直接潜時空間(SDR-LSBO)に結合し、証拠が蓄積されるにつれて潜時探索領域を狭めるアルゴリズムを生成する。
論文 参考訳（メタデータ） (2025-10-17T08:45:38Z) - FFT-based Dynamic Subspace Selection for Low-Rank Adaptive Optimization of Large Language Models [49.397861654088636]
低次元空間へのSVD/QRベースの勾配射影を近似する2段階の手順を提案する。
当社の戦略はランタイムの高速化とメモリ使用量の削減を,さまざまなモデルサイズで最大25%削減できることが示されています。
論文 参考訳（メタデータ） (2025-05-23T14:37:00Z) - Dimensionality Reduction Techniques for Global Bayesian Optimisation [1.433758865948252]
減次元部分空間におけるBOの実行に次元還元を適用した潜在空間ベイズ最適化について検討する。
我々は、より複雑なデータ構造や一般的なDRタスクを管理するために、変分オートエンコーダ(VAE)を使用している。
そこで本研究では,分子生成などのタスク用に設計され,より広い最適化目的のためにアルゴリズムを再構成する実装において,いくつかの重要な補正を提案する。
論文 参考訳（メタデータ） (2024-12-12T11:27:27Z) - An Empirical Analysis of Recurrent Learning Algorithms In Neural Lossy
Image Compression Systems [73.48927855855219]
近年のディープラーニングの進歩により、JPEGとJPEG 2000を標準のKodakベンチマークで上回る画像圧縮アルゴリズムが実現している。
本稿では,最近の最先端ハイブリッドニューラル圧縮アルゴリズムの大規模比較を行う。
論文 参考訳（メタデータ） (2022-01-27T19:47:51Z) - Optimization of Residual Convolutional Neural Network for
Electrocardiogram Classification [0.9281671380673306]
本稿では,2段階のリカレント1次元畳み込みニューラルネットワークモデル(R-1D-CNN)を提案する。
第1段階では、残留畳み込み層と1次元畳み込みニューラルネットワーク層をトレーニングし、患者固有の心電図の特徴を学習する。
2番目のレベルは自動であり、提案アルゴリズムに基づくBOに基づいている。
論文 参考訳（メタデータ） (2021-12-11T16:52:23Z) - Exploiting Adam-like Optimization Algorithms to Improve the Performance
of Convolutional Neural Networks [82.61182037130405]
勾配降下(SGD)は深いネットワークを訓練するための主要なアプローチです。
本研究では,現在と過去の勾配の違いに基づいて,Adamに基づく変分を比較する。
resnet50を勾配降下訓練したネットワークのアンサンブルと融合実験を行った。
論文 参考訳（メタデータ） (2021-03-26T18:55:08Z) - An AI-Assisted Design Method for Topology Optimization Without
Pre-Optimized Training Data [68.8204255655161]
トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。
設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
論文 参考訳（メタデータ） (2020-12-11T14:33:27Z) - ScopeFlow: Dynamic Scene Scoping for Optical Flow [94.42139459221784]
我々は,光流の一般的なトレーニングプロトコルを変更することを提案する。
この改善は、挑戦的なデータをサンプリングする際のバイアスを観察することに基づいている。
トレーニングプロトコルでは,正規化と拡張の双方が減少することが判明した。
論文 参考訳（メタデータ） (2020-02-25T09:58:49Z)
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。