論文の概要: Bayesian Optimisation Using Product-of-Experts Gaussian Process Models with Uncertainty Calibration

• arxiv url: http://arxiv.org/abs/2609.15555v1
• Date: Mon, 14 Sep 2026 13:37:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.413794
• Title: Bayesian Optimisation Using Product-of-Experts Gaussian Process Models with Uncertainty Calibration
• Title（参考訳）: 不確かさキャリブレーションを用いたProduct-of-Experts Gaussianプロセスモデルによるベイズ最適化
• Abstract要約: 本稿では,GP-pro-cを代理モデルとして用いたベイズ最適化アルゴリズムBO-pro-cを紹介する。 実験結果からBO-pro-cは競争最適化性能を維持しつつ、簡素な後悔で0.9%の低下を達成することが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bayesian optimisation (BO) typically relies on a single global Gaussian process (GP) model as its surrogate model. However, GP regression has cubic computational complexity in the number of training data points, limiting its applicability to large-scale optimisation problems. The product-of-experts Gaussian process model with uncertainty calibration (GP-pro-c) mitigates this limitation by combining multiple local GP experts, enabling improved uncertainty quantification, reduced computational cost, and preservation of global correlations. Despite these desirable properties, the use of GP-pro-c in BO has not been thoroughly studied. This paper introduces BO-pro-c, a Bayesian optimisation algorithm that uses GP-pro-c as its surrogate model, and evaluate its performance across a diverse range of BO settings. Experimental results suggest that BO-pro-c maintains competitive optimisation performance while achieving a 0.9% reduction in simple regret and a 39.4% reduction in computational overhead relative to a BO algorithm based on a single global GP model.
• Abstract（参考訳）: ベイズ最適化(BO)は通常、その代理モデルとして単一のグローバルガウス過程(GP)モデルに依存している。 しかし、GP回帰は訓練データ点数において3乗の計算複雑性を持ち、大規模最適化問題に適用性に限界がある。 GP-pro-c(不確かさキャリブレーション)を持つ製品であるガウス過程モデルでは、複数のローカルGP専門家を組み合わせることにより、この制限を緩和し、不確実性定量化の改善、計算コストの削減、大域的相関の保存を可能にする。 これらの望ましい性質にもかかわらず、BOにおけるGP-pro-cの使用は十分に研究されていない。 本稿では,GP-pro-cをサロゲートモデルとして用いたベイズ最適化アルゴリズムBO-pro-cについて述べる。 実験結果から,BO-pro-cは単一グローバルGPモデルに基づくBOアルゴリズムと比較して,単純後悔の0.9%削減と計算オーバーヘッドの39.4%低減を実現しつつ,競争最適化性能を維持することが示唆された。

関連論文リスト

• Information-Based Calibration of Uncertainty Quantification in Product-of-Experts Gaussian Process Models [6.3565351281858495]
  GP-pro(Product-of-experts GP model)は、局所的なGPモデルを組み合わせてグローバルな相関関係を捉える。 本稿では,GP-pro-cを提案する。GP-pro-cは,情報ベース手法を用いて,これらの分散を校正するGPモデルである。 実験の結果、GP-pro-cは非校正GP-proモデルと比較してNLLが2.3%、enceが12.0%減少することがわかった。
  論文  参考訳（メタデータ） (2026-08-29T16:13:35Z)
• Gradient-based Sample Selection for Faster Bayesian Optimization [10.137754677594861]
  本稿では,勾配に基づくサンプル選択ベイズ最適化(GSSBO)を提案し,BOの計算効率を向上させる。 提案手法は,ベースライン法に匹敵する最適化性能を維持しつつ,BOにおけるGPフィッティングの計算コストを大幅に削減する。
  論文  参考訳（メタデータ） (2025-04-10T13:38:15Z)
• Co-Learning Bayesian Optimization [28.394424693363103]
  本稿では,モデル多様性とラベルなし情報の一致を両立させ,限られたサンプルを用いて全体のサロゲート精度を向上させる,コラーニングBO (CLBO) とラベル付けされた新しいBOアルゴリズムを提案する。 5つの数値玩具問題と3つのエンジニアリングベンチマークの試験を通じて,提案したCLBOの有効性を実証した。
  論文  参考訳（メタデータ） (2025-01-23T02:25:10Z)
• Robust Bayesian Optimization via Localized Online Conformal Prediction [37.549297668783254]
  局所化オンライン共形予測に基づくベイズ最適化(LOCBO)を導入する。 LOCBOは局所オンライン共形予測(CP)によりGPモデルを校正する 観測対象関数を保留するLOCBOのイテレートについて理論的性能保証を行う。
  論文  参考訳（メタデータ） (2024-11-26T12:45:54Z)
• 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)
• Poisson Process for Bayesian Optimization [126.51200593377739]
  本稿では、Poissonプロセスに基づくランキングベースの代理モデルを提案し、Poisson Process Bayesian Optimization(PoPBO)と呼ばれる効率的なBOフレームワークを提案する。 従来のGP-BO法と比較すると,PoPBOはコストが低く,騒音に対する堅牢性も良好であり,十分な実験により検証できる。
  論文  参考訳（メタデータ） (2024-02-05T02:54:50Z)
• Provably Efficient Bayesian Optimization with Unknown Gaussian Process Hyperparameter Estimation [44.53678257757108]
  目的関数の大域的最適値にサブ線形収束できる新しいBO法を提案する。 本手法では,BOプロセスにランダムなデータポイントを追加するために,マルチアームバンディット法 (EXP3) を用いる。 提案手法は, 様々な合成および実世界の問題に対して, 既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-12T03:35:45Z)
• 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)
• Likelihood-Free Inference with Deep Gaussian Processes [70.74203794847344]
  サーロゲートモデルは、シミュレータ評価の回数を減らすために、可能性のない推論に成功している。 本稿では,より不規則な対象分布を扱えるディープガウス過程(DGP)サロゲートモデルを提案する。 本実験は,DGPがマルチモーダル分布を持つ目的関数上でGPよりも優れ,単調な場合と同等の性能を維持できることを示す。
  論文  参考訳（メタデータ） (2020-06-18T14:24:05Z)
• Randomised Gaussian Process Upper Confidence Bound for Bayesian Optimisation [60.93091603232817]
  改良されたガウス過程上信頼境界(GP-UCB)取得関数を開発した。 これは、分布から探索・探索トレードオフパラメータをサンプリングすることによって行われる。 これにより、期待されるトレードオフパラメータが、関数のベイズ的後悔に縛られることなく、問題によりよく適合するように変更できることが証明される。
  論文  参考訳（メタデータ） (2020-06-08T00:28:41Z)
• 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。