論文の概要: Bayesian optimization with kernel ensembles and disagreement-based acquisition for source localization and acoustic inversion

• arxiv url: http://arxiv.org/abs/2609.14262v1
• Date: Sun, 13 Sep 2026 03:52:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.776066
• Title: Bayesian optimization with kernel ensembles and disagreement-based acquisition for source localization and acoustic inversion
• Title（参考訳）: カーネルアンサンブルと不一致に基づくソースローカライゼーションと音響インバージョンのためのベイズ最適化
• Abstract要約: 共同音源定位とジオアコースティック・インバージョンは、高価なノーマルモード伝搬モデルから構築された目的を最適化する必要がある。 我々は、異なるカーネルファミリーを持つGPの重み付けアンサンブルを用いて、観測対象に前もって1つのカーネルにコミットすることなく適応する。 SWellEx-96データのシミュレーションおよび測定実験により, 得られた手法が最下位の目標を達成することが示された。
• 参考スコア（独自算出の注目度）: 12.760068476185504
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Joint source localization and geoacoustic inversion requires optimizing an objective built from an expensive normal mode propagation model. Bayesian optimization (BO) with a Gaussian process (GP) surrogate can obtain accurate parameter estimates within a limited number of forward model evaluations, but its performance depends on the choice of kernel family. With few observations in a seven-dimensional search space, no single kernel can be expected to perform consistently well across individual inversions. To reduce this dependence, we use a weighted ensemble of GPs with different kernel families, allowing the surrogate to adapt to the observed objective without committing to one kernel in advance. The ensemble is combined with an optimum-conditioned acquisition function that determines where the expensive objective should be evaluated next. Experiments on simulated and measured SWellEx-96 data show that the resulting method achieves the lowest mean final objective among the considered BO strategies and reduces parameter estimation error on most coordinates. Ablation results further show that the ensemble provides robustness to kernel choice, while the acquisition function accounts for most of the optimization gain.
• Abstract（参考訳）: 共同音源定位とジオアコースティック・インバージョンは、高価なノーマルモード伝搬モデルから構築された目的を最適化する必要がある。 ガウス過程(GP)シュロゲートを持つベイズ最適化(BO)は、限られた数のフォワードモデル評価において正確なパラメータ推定を得ることができるが、その性能はカーネルファミリーの選択に依存する。 7次元の探索空間での観測はほとんどないが、個々の反転に対して一貫した性能を期待できるカーネルは存在しない。 この依存を減らすために、異なるカーネルファミリーを持つGPの重み付けアンサンブルを使用し、サロゲートが事前に1つのカーネルにコミットすることなく観測対象に適応できるようにする。 アンサンブルは、次に高価な目標を評価すべき場所を決定する最適な条件付き取得関数と組み合わせられる。 シミュレーションおよび測定を行ったSWellEx-96データを用いた実験により,提案手法が検討されたBO戦略の中で最下位の目標を達成し,ほとんどの座標上でのパラメータ推定誤差を低減した。 アブレーションの結果は、アンサンブルがカーネル選択に堅牢性を与え、一方、取得関数が最適化の利益の大部分を担っていることを示している。

関連論文リスト

• Bayesian Optimization with Gaussian Processes to Accelerate Stationary Point Searches [0.0]
  本稿では,最小化,単点サドル探索,ダブルエンドサドル探索を統一した6ステップサロゲートループによるベイズ最適化手法を提案する。 このフレームワークは、微分観測、逆距離カーネル、アクティブラーニングによるガウス過程の回帰を用いている。 Rustのコードは、すべてのアプリケーションが全く同じベイズ最適化ループを使用しており、理論的な定式化と実践的な実行のギャップを埋めていることを示している。
  論文  参考訳（メタデータ） (2026-03-11T17:20:28Z)
• Local Entropy Search over Descent Sequences for Bayesian Optimization [48.7994415668802]
  実用的な方法は、勾配降下のような局所最適化手法を用いて初期設計の近傍を反復的に洗練することである。 降下列で到達可能な解を明示的に対象とするベイズ最適化パラダイムである局所エントロピー探索(LES)を提案する。
  論文  参考訳（メタデータ） (2025-11-24T15:52:17Z)
• BOOST: Bayesian Optimization with Optimal Kernel and Acquisition Function Selection Technique [1.0499611180329804]
  カーネル獲得ペアの選択を自動化する新しいフレームワークであるBOOSTを提案する。 BOOSTは、様々なカーネル獲得ペアのパフォーマンスを予測し、高価な評価にコミットする前に最も有望なペアを特定する。
  論文  参考訳（メタデータ） (2025-08-04T12:08:12Z)
• Adaptive Bayesian Optimization for Robust Identification of Stochastic Dynamical Systems [4.0148499400442095]
  本稿では,システム係数と雑音分散を含む線形導出システムの同定について述べる。 ベイズ最適化に基づく標本効率のよい大域最適化法を提案する。 実験により、EGPに基づくBOは定常フィルタリングと期待最大化によりMLEを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2025-03-09T01:38:21Z)
• Sample-efficient Bayesian Optimisation Using Known Invariances [56.34916328814857]
  バニラと制約付きBOアルゴリズムは、不変目的を最適化する際の非効率性を示す。 我々はこれらの不変カーネルの最大情報ゲインを導出する。 核融合炉用電流駆動システムの設計に本手法を用い, 高性能溶液の探索を行った。
  論文  参考訳（メタデータ） (2024-10-22T12:51:46Z)
• Learning Regions of Interest for Bayesian Optimization with Adaptive Level-Set Estimation [84.0621253654014]
  本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。 理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
  論文  参考訳（メタデータ） (2023-07-25T09:45:47Z)
• Tree ensemble kernels for Bayesian optimization with known constraints over mixed-feature spaces [54.58348769621782]
  木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。 ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。 我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-02T16:59:37Z)
• Relaxed Gaussian process interpolation: a goal-oriented approach to Bayesian optimization [0.0]
  本研究では,ガウス過程(GP)モデリングの文脈で予測分布を求める新しい手法を提案する。 緩和ガウス過程(reGP)と呼ばれる手法は、興味の範囲でより良い予測分布を提供する。 これはゴール指向の方法と見なすことができ、ベイズ最適化において特に興味深いものとなる。
  論文  参考訳（メタデータ） (2022-06-07T06:26:46Z)
• 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)
• Trusted-Maximizers Entropy Search for Efficient Bayesian Optimization [39.824086260578646]
  本稿では,信頼度最大化エントロピー探索(TES)取得関数を提案する。 インプットがクエリの情報ゲインにどの程度貢献するかを、信頼された最大値の有限セット上で測定する。
  論文  参考訳（メタデータ） (2021-07-30T07:25:07Z)
• High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
  アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。 非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。 そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
  論文  参考訳（メタデータ） (2021-06-10T17:54:21Z)
• Stochastic Optimization of Areas Under Precision-Recall Curves with Provable Convergence [66.83161885378192]
  ROC(AUROC)と精度リコール曲線(AUPRC)の下の領域は、不均衡問題に対する分類性能を評価するための一般的な指標である。 本稿では,深層学習のためのAUPRCの最適化手法を提案する。
  論文  参考訳（メタデータ） (2021-04-18T06:22:21Z)
• Global Optimization of Gaussian processes [52.77024349608834]
  少数のデータポイントで学習したガウス過程を訓練した空間定式化を提案する。 このアプローチはまた、より小さく、計算的にもより安価なサブソルバを低いバウンディングに導く。 提案手法の順序の順序による時間収束を,総じて低減する。
  論文  参考訳（メタデータ） (2020-05-21T20:59:11Z)

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。