論文の概要: Expected Hypervolume Maximization for Multiobjective Optimization under Uncertainties

• arxiv url: http://arxiv.org/abs/2609.19858v1
• Date: Thu, 17 Sep 2026 08:10:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.160102
• Title: Expected Hypervolume Maximization for Multiobjective Optimization under Uncertainties
• Title（参考訳）: 不確実性下における多目的最適化のための超体積最大化の期待
• Abstract要約: この研究は不確実性の下で多目的最適化のベイズ決定問題を定式化する。 支配的な点に対して注意が払われることを前提として,フレームワークの勾配に基づく手法を用いてこれを実現できることを示す。 この研究におけるその他の貢献は、多目的最適化問題に対して適切に設計された代理モデルを構築するのに役立つ獲得機能を通じて、アクティブな学習戦略である。
• 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: The problem of multiobjective optimization under uncertainties is often approached by taking the expectation of each objective. In this work, we propose instead to formulate this as a Bayesian decision problem and to rely on the expected value of the hypervolume, which is to be maximized with respect to a finite set of input points. We show that this can be performed using methods based on gradients in a stochastic optimization framework, provided that care is taken with respect to dominated points. Moreover, in the absence of readily available differentiable code, we propose to use Gaussian Processes as differentiable surrogate models, in order to perform the optimization. An additional contribution in this work are some active learning strategies, through acquisition functions which helps construct a surrogate model well-designed for the multiobjective optimization problem at stake. These strategies are compared on simple analytical problems to assess their performances.
• Abstract（参考訳）: 不確実性の下での多目的最適化の問題は、しばしばそれぞれの目的を期待することで解決される。 本研究では,これをベイズ決定問題として定式化し,入力点の有限集合に対して最大化される超体積の期待値に依存することを提案する。 本稿では,確率的最適化フレームワークの勾配に基づく手法を用いてこれを実現できることを示す。 さらに、容易に利用可能な微分可能コードがない場合には、最適化を行うために、ガウス過程を微分可能代用モデルとして用いることを提案する。 この研究におけるその他の貢献は、多目的最適化問題に対して適切に設計された代理モデルを構築するのに役立つ獲得機能を通じて、アクティブな学習戦略である。 これらの戦略は、それらの性能を評価するための単純な分析問題と比較される。

関連論文リスト

• Quantum Approximate Multi-Objective Optimization [1.2564343689544843]
  多目的最適化は、量子コンピュータで解析するための魅力的な問題クラスである。 本研究では,多目的重み付き最大カット問題の最適パレートフロントを近似するために,低深さ量子近似最適化アルゴリズムを用いる。 我々は,IBM の量子コンピュータと Matrix Product State の数値シミュレーションでその性能を実証し,古典的アプローチよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2025-03-28T18:00:25Z)
• Scalable Min-Max Optimization via Primal-Dual Exact Pareto Optimization [66.51747366239299]
  拡張ラグランジアンに基づくmin-max問題のスムーズな変種を提案する。 提案アルゴリズムは, 段階的戦略よりも目的数で拡張性が高い。
  論文  参考訳（メタデータ） (2025-03-16T11:05:51Z)
• Constrained Multi-objective Bayesian Optimization through Optimistic Constraints Estimation [10.77641869521259]
  本論文では,複数の未知領域上で定義されたレベルセットのアクティブな学習と,実現可能な領域内での多目的最適化のバランスをとる,制約付き多目的ベイズ最適化アルゴリズムCOMBOOを提案する。 理論的解析と経験的証拠の両方を提供し、様々な合成ベンチマークや実世界の応用に対するアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2024-11-06T03:38:00Z)
• Learning Joint Models of Prediction and Optimization [56.04498536842065]
  Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。 本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-07T19:52:14Z)
• End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
  機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。 本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。 この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-12T16:33:35Z)
• Multi-objective optimisation via the R2 utilities [4.12484724941528]
  本稿では,多目的最適化問題を集合上で定義された単目的最適化問題に再キャストする方法を示す。 この新しい問題に対する目的関数の適切なクラスは、スカラー化された最適化問題に対する重み付き積分として定義されるユーティリティ関数であるR2ユーティリティである。 次に、これらの欲求的アルゴリズムの性能を理論的にも経験的にも分析する。
  論文  参考訳（メタデータ） (2023-05-19T16:01:35Z)
• 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 Entropy Search for Multi-objective Bayesian Optimization [0.0]
  本稿では,統合エントロピー探索(Joint Entropy Search)と呼ばれるBOのための情報理論獲得関数を提案する。 本稿では, ハイパーボリュームとその重み付き変種の観点から, 合成および実世界の諸問題に対するこの新しいアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2022-10-06T13:19:08Z)
• Are we Forgetting about Compositional Optimisers in Bayesian Optimisation? [66.39551991177542]
  本稿では,グローバル最適化のためのサンプル手法を提案する。 この中、重要なパフォーマンス決定の自明さは、取得機能を最大化することです。 3958実験における機能最適化手法の実証的利点を強調する。
  論文  参考訳（メタデータ） (2020-12-15T12:18:38Z)
• Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
  未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。 最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。 我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T19:11:54Z)

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。