論文の概要: Constraint-Aware Discrete Black-Box Optimization Using Tensor Decomposition

• arxiv url: http://arxiv.org/abs/2609.09370v1
• Date: Tue, 08 Sep 2026 19:05:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.793245
• Title: Constraint-Aware Discrete Black-Box Optimization Using Tensor Decomposition
• Title（参考訳）: テンソル分解を用いた制約対応離散ブラックボックス最適化
• Abstract要約: 本稿では,離散探索空間の構造を捉える論理的分解に基づく代理モデリング手法を提案する。 提案手法は, 有効でない領域からの探索を効果的に誘導することにより, サンプル効率を向上させることを実証した。
• 参考スコア（独自算出の注目度）: 3.423332499970556
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Discrete black-box optimization is often addressed using approaches such as Sequential Model-Based Optimization (SMBO), which aims to improve sample efficiency by fitting surrogate models that approximate a costly objective function over a discrete search space. In many real-world problems, the set of feasible inputs is often given by logical constraints known in advance. However, existing surrogate modeling techniques generally fail to capture the symbolic rules governing feasibility in discrete input spaces. In this paper, we propose a surrogate modeling approach based on tensor decomposition that captures the structure of discrete search spaces while directly integrating feasibility information. To implement this approach, we formulate surrogate model training as a constrained polynomial optimization problem and solve a relaxed formulation using a differentiable penalty term derived from T-norms. Our experiments on both synthetic and real-world benchmarks, including a pressure vessel design task, demonstrate that the proposed method improves sample efficiency by effectively guiding the search away from infeasible regions.
• Abstract（参考訳）: 離散ブラックボックス最適化は、離散探索空間上のコストのかかる目的関数を近似したサロゲートモデルを適用することでサンプリング効率を向上させることを目的とした、逐次モデルベース最適化(SMBO)のようなアプローチを用いて、しばしば解決される。 多くの実世界の問題において、実現可能な入力の集合は、前もって知られている論理的制約によって与えられることが多い。 しかし、既存の代理モデリング技術は、一般に離散的な入力空間における実現可能性を管理する象徴的な規則を捉えることに失敗する。 本稿では,離散探索空間の構造を抽出し,実現可能性情報を直接統合したテンソル分解に基づく代理モデリング手法を提案する。 このアプローチを実現するために、制約付き多項式最適化問題として代理モデルトレーニングを定式化し、Tノルムから派生した微分可能なペナルティ項を用いて緩和された定式化を解く。 圧力容器設計タスクを含む実世界のベンチマーク実験により, 提案手法は, 有効でない領域からの探索を効果的に誘導することにより, 試料効率を向上させることを示した。

関連論文リスト

• Diffusion-Based Data-Driven Assortment Optimization [14.10927475407741]
  導出離散拡散に基づくアソート最適化のためのモデルに依存しないフレームワークを提案する。 提案手法は,高品質なアソシエーションを一貫して識別し,モデルミスセグメンテーションの下では頑健であることを示す。
  論文  参考訳（メタデータ） (2026-08-11T20:37:44Z)
• High-dimensional reliability-based design optimization using stochastic emulators [0.0]
  本稿では,シミュレータ視点に基づく新しいRBDOフレームワークを提案する。 この定式化の下で、所定の設計に条件付けされたシステム応答は、その出力分布を直接モデル化する。 提案手法は,特に高次元設定において,かなりの計算ゲインが得られる。
  論文  参考訳（メタデータ） (2026-04-07T12:01:50Z)
• Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
  我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。 本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。 提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
  論文  参考訳（メタデータ） (2024-03-20T00:41:12Z)
• Diffusion Models as Constrained Samplers for Optimization with Unknown Constraints [55.39203337683045]
  拡散モデルを用いてデータ多様体内で最適化を行う。 目的関数の微分可能性に応じて,2つの異なるサンプリング手法を提案する。 提案手法は,従来の最先端のベースラインよりも優れた,あるいは同等のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-02-28T03:09:12Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Pseudo-Bayesian Optimization [7.556071491014536]
  ブラックボックス最適化の収束を保証するために最小限の要件を課す公理的枠組みについて検討する。 我々は、単純な局所回帰と、不確実性を定量化するために適切な「ランダム化事前」構造を用いることが、収束を保証するだけでなく、常に最先端のベンチマークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-15T07:55:28Z)
• Protein Design with Guided Discrete Diffusion [67.06148688398677]
  タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。 離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
  論文  参考訳（メタデータ） (2023-05-31T16:31:24Z)
• Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。 本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
  論文  参考訳（メタデータ） (2023-01-28T01:50:42Z)
• Joint Continuous and Discrete Model Selection via Submodularity [1.332560004325655]
  機械学習のモデル選択問題では、意味のある構造を持つ優れたモデルに対する欲求は、典型的には正規化された最適化問題によって表される。 しかし、多くのシナリオでは、数値的に意味のある構造が離散空間において特定され、難しい非最適化問題を引き起こす。 我々は、ロバスト最適化によって動機づけられた特定の問題クラスに対して、単純な連続的あるいは離散的な制約をいかに扱うかを示す。
  論文  参考訳（メタデータ） (2021-02-17T21:14:47Z)
• Offline Model-Based Optimization via Normalized Maximum Likelihood Estimation [101.22379613810881]
  データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。 この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。 我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
  論文  参考訳（メタデータ） (2021-02-16T06:04:27Z)
• Control as Hybrid Inference [62.997667081978825]
  本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。 連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
  論文  参考訳（メタデータ） (2020-07-11T19:44:09Z)

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。