論文の概要: Improved Regret Analysis for Parallel Gaussian Process Bandit Optimization

• arxiv url: http://arxiv.org/abs/2608.16492v1
• Date: Mon, 17 Aug 2026 12:30:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.682609
• Title: Improved Regret Analysis for Parallel Gaussian Process Bandit Optimization
• Title（参考訳）: 並列ガウスプロセス帯域最適化のためのレグレト解析の改善
• Abstract要約: 並列ガウス過程(GP)の帯域最適化における後悔解析について検討する。 本稿では,初期US位相なしでQ$の乗算係数を伴わない後悔の上界が達成可能であることを示す。
• 参考スコア（独自算出の注目度）: 11.839451192366786
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper studies the regret analysis for parallel Gaussian process (GP) bandit optimization. The known regret upper bounds for the widely used GP batched upper confidence bound and GP batched Thompson sampling (GP-BTS) suffer from a multiplicative factor with respect to the batch size $Q$. To avoid this degradation, existing analyses require a polynomial number of uncertainty sampling (US) for $Q$ at the beginning of optimization. However, this initial US phase is often ineffective in practice. This paper shows that the regret upper bound without the multiplicative factor on $Q$ can be achieved without the initial US phase, using GP-BTS as an example. Furthermore, we show much better regret upper bounds in the noiseless setting than in the noisy setting, as in the sequential GP bandit setting.
• Abstract（参考訳）: 本稿では,並列ガウス過程(GP)帯域最適化における後悔解析について検討する。 広く使われているGPバッチ上信頼境界とGPバッチトンプソンサンプリング(GP-BTS)の既知後悔上限は、バッチサイズが$Q$に対して乗算係数に悩まされる。 この劣化を避けるために、既存の分析は最適化の開始時に$Q$に対して多項式数の不確実性サンプリング(US)を必要とする。 しかし、この初期アメリカのフェーズは実際は効果がないことが多い。 本稿では、GP-BTSを例として、初期US位相なしでQ$の乗算係数のない後悔の上界が達成可能であることを示す。 さらに、連続GP帯域設定のように、ノイズのない設定ではノイズのない設定の方が、ノイズの多い設定よりもずっと良い後悔の上限を示す。

関連論文リスト

• On Regret Bounds of Thompson Sampling for Bayesian Optimization [11.839451192366786]
  本稿では、目的関数がGPからのサンプルパスであるという仮定の下で、GP-TSに対するいくつかの後悔の限界を示す。 本稿では,最近の分析から必要条件の緩和を含むいくつかの有用な補題について述べる。
  論文  参考訳（メタデータ） (2026-03-10T07:02:20Z)
• Improved Regret Bounds for Gaussian Process Upper Confidence Bound in Bayesian Optimization [3.6985338895569204]
  ガウス過程 GP-UCB アルゴリズムは高い確率で $tildeO(sqrtT)$ cumulative regret を達成することを示す。 我々の分析では、平方指数核の下では$O(sqrtT ln2 T)$ regretとなる。
  論文  参考訳（メタデータ） (2025-06-02T07:38:58Z)
• Efficient Prior Selection in Gaussian Process Bandits with Thompson Sampling [15.589296912503189]
  GPトンプソンサンプリング(GP-TS)に基づくGPバンディットの結合前選択と後悔の最小化のための2つのアルゴリズムを提案する: GP-TS(PE-GP-TS)とHyperPrior GP-TS(HP-GP-TS)である。 理論的にはアルゴリズムを解析し,それぞれの後悔に対する上限を確立する。
  論文  参考訳（メタデータ） (2025-02-03T10:29:35Z)
• Regret Analysis for Randomized Gaussian Process Upper Confidence Bound [9.967062483758632]
  本稿では,GP-UCBの改良型であるGP-UCBのランダム化変異を解析する。 一定の信頼度パラメータを用いたGP-UCBは,線形に増大する累積的後悔を生じさせることを示す。
  論文  参考訳（メタデータ） (2024-09-02T06:49:29Z)
• On the Sublinear Regret of GP-UCB [58.25014663727544]
  ガウス過程上信頼境界 (GP-UCB) アルゴリズムは, ほぼ最適の後悔率を有することを示す。 私たちの改善は、基盤となるカーネルの滑らかさに比例してカーネルリッジ推定を正規化するという、重要な技術的貢献に依存しています。
  論文  参考訳（メタデータ） (2023-07-14T13:56:11Z)
• Surrogate modeling for Bayesian optimization beyond a single Gaussian process [62.294228304646516]
  本稿では,探索空間の活用と探索のバランスをとるための新しいベイズ代理モデルを提案する。 拡張性のある関数サンプリングを実現するため、GPモデル毎にランダムな特徴ベースのカーネル近似を利用する。 提案した EGP-TS を大域的最適に収束させるため,ベイズ的後悔の概念に基づいて解析を行う。
  論文  参考訳（メタデータ） (2022-05-27T16:43:10Z)
• Misspecified Gaussian Process Bandit Optimization [59.30399661155574]
  カーネル化されたバンディットアルゴリズムは、この問題に対して強い経験的および理論的性能を示した。 本稿では、未知関数を$epsilon$-一様近似で近似できるエンフェミス特定カーネル化帯域設定を、ある再生カーネルヒルベルト空間(RKHS)において有界ノルムを持つ関数で導入する。 提案アルゴリズムは,不特定性に関する事前知識を伴わず,$epsilon$への最適依存を実現する。
  論文  参考訳（メタデータ） (2021-11-09T09:00:02Z)
• Regret and Belief Complexity Trade-off in Gaussian Process Bandits via Information Thresholding [42.669970064867556]
  GPバンディットアルゴリズムの残差境界と後部分布の複雑さのトレードオフを特徴付ける方法を示す。 大域的最適化に応用したGPバンディットアルゴリズムの精度と複雑性のトレードオフを観察する。
  論文  参考訳（メタデータ） (2020-03-23T21:05:15Z)
• Near-linear Time Gaussian Process Optimization with Adaptive Batching and Resparsification [119.41129787351092]
  BBKBは非回帰GP最適化アルゴリズムで、ほぼ直線的に実行し、バッチで候補を選択する。 また,同じバウンダリを用いて,スパルスGP近似の更新コストを適応的に遅延させることで,ステップ毎の償却コストをほぼ一定に抑えることができることを示した。
  論文  参考訳（メタデータ） (2020-02-23T17:43:29Z)
• Optimistic Policy Optimization with Bandit Feedback [70.75568142146493]
  我々は,事前の報奨を後悔する$tilde O(sqrtS2 A H4 K)を定め,楽観的な信頼領域ポリシー最適化(TRPO)アルゴリズムを提案する。 我々の知る限り、この2つの結果は、未知の遷移と帯域幅フィードバックを持つポリシー最適化アルゴリズムにおいて得られた最初のサブ線形後悔境界である。
  論文  参考訳（メタデータ） (2020-02-19T15:41:18Z)

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。