論文の概要: JAREX: An Acquisition Function for Multi-Objective Algorithmic Process Characterization

• arxiv url: http://arxiv.org/abs/2609.24954v1
• Date: Mon, 21 Sep 2026 17:46:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.450583
• Title: JAREX: An Acquisition Function for Multi-Objective Algorithmic Process Characterization
• Title（参考訳）: JAREX:多目的アルゴリズムプロセス評価のための獲得機能
• Abstract要約: JAREX(Joint Acceptable Region Exploration)は,多目的プロセス評価のためのベイズ的アクティブラーニング獲得機能である。 JAREXは、結合境界学習問題として特徴づけを定式化し、結合通過領域を回復するための実験を適応的に選択する。 JAREX は DOE や空間充填設計,強欲な客観的戦略よりも, より正確で, サンプル効率のよいジョイントパス領域の回復を可能にすることが示唆された。
• 参考スコア（独自算出の注目度）: 7.8172948806706115
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Pharmaceutical process characterization is central to Quality by Design because it defines how variations in process parameters affect the ability to meet product quality specifications, thereby supporting proven acceptable ranges and robust manufacturing. In practice, however, characterization still relies largely on factorial design of experiments (DOE) approaches, which are inefficient for resolving multivariate pass/fail boundaries in higher-dimensional spaces. While Bayesian optimization has transformed process optimization, adaptive methods for multi-objective process characterization remain lacking. Here, we introduce JAREX (Joint Acceptable Region EXploration), a Bayesian active-learning acquisition function for multi-objective process characterization. JAREX formulates characterization as a joint boundary-learning problem and adaptively selects experiments to recover the joint pass region defined by simultaneous satisfaction of threshold criteria across multiple objectives. JAREX combines an optimistic joint-feasibility mask with a multi-objective extension of randomized straddle, focusing sampling on the joint edge of failure. Our benchmark study suggests that JAREX provides more accurate and sample-efficient recovery of the joint pass region than factorial DOE, space-filling designs, and greedy objective-wise strategies over the full experimental budget range. For batched experimentation, it reduces the number of iterative process characterization experiments by more than half while preserving high accuracy for the boundary-identification task. Implemented in the open-source obsidian package, JAREX provides a modular framework for adaptive, data-efficient multi-objective algorithmic process characterization, supporting sample-efficient range finding in high-dimensional spaces.
• Abstract（参考訳）: なぜなら、プロセスパラメータの変動が製品の品質仕様を満たす能力にどのように影響するかを定義し、証明された許容範囲と堅牢な製造をサポートするからである。 しかし実際には、高次元空間における多変量パス/フェイル境界の解決に非効率である実験(DOE)アプローチの因数設計に大きく依存している。 ベイジアン最適化はプロセス最適化に変化をもたらしたが、多目的プロセス特徴付けのための適応的手法はいまだに欠如している。 本稿では,多目的プロセス評価のためのベイズ的アクティブラーニング獲得機能であるJAREX(Joint Acceptable Region Exploration)を紹介する。 JAREXは共同境界学習問題として特徴付けを定式化し、複数の目的に対して閾値基準の同時満足度で定義された共同通過領域の回復実験を適応的に選択する。 JAREXは楽観的なジョイントフェーザビリティマスクとランダム化ストラッドの多目的拡張を組み合わせ、障害のジョイントエッジをサンプリングする。 本ベンチマークでは, JAREX は実測値よりも精度が高く, サンプル効率のよいジョイントパス領域の回収, 空間充填設計, および, 実験予算範囲全体に対する厳密な客観的戦略が可能であることを示唆している。 バッチ実験では、境界同定タスクの高精度を保ちながら、反復的プロセス評価実験の回数を半分以上削減する。 オープンソース・オブシディアンのパッケージに実装されているJAREXは、高次元空間におけるサンプル効率範囲探索をサポートする適応的でデータ効率のよいマルチオブジェクト・アルゴリズム・プロセスのキャラクタリゼーションのためのモジュラー・フレームワークを提供する。

関連論文リスト

• Evolution-Aware MSA Reasoning for Subsampling via Factor Graphs [55.715754117956514]
  複数のシーケンスアライメントは、明示的な進化コンテキストを持つタンパク質言語モデルを提供する。 MSAサブサンプリングは限定的なトークン予算では避けられない。 本稿では,因子グラフ推論を用いて固定予算MSAサブセットを推定するAP-REASONERを提案する。
  論文  参考訳（メタデータ） (2026-07-24T13:55:21Z)
• Interaction-Grounded Learning for Contextual Markov Decision Processes with Personalized Feedback [59.287761696290865]
  本稿では,個人化されたフィードバックを伴って,文脈的マルコフ決定プロセス(MDP)のサブ線形後悔保証を実現する計算効率の高いアルゴリズムを提案する。 提案手法の有効性を,合成エピソードMDPと実世界のユーザ予約データセットの両方を用いた実験を通じて,マルチターンインタラクションからパーソナライズされた目的を学習する際の有効性を示す。
  論文  参考訳（メタデータ） (2026-02-09T06:29:54Z)
• MO-ELA: Rigorously Expanding Exploratory Landscape Features for Automated Algorithm Selection in Continuous Multi-Objective Optimisation [1.2832858109291982]
  本稿では,ボックス制約付き連続最適化問題に対する新しい相補的特徴セット(MO-ELA)を提案する。 これらの特徴は、決定空間と目的空間の両方を考慮したランダムな点のサンプルに基づいている。 十分に確立された多目的ベンチマークで行われたAAS研究は、提案した特徴がアルゴリズム性能の区別に有効であることを示した。
  論文  参考訳（メタデータ） (2026-01-24T12:30:42Z)
• Stochastic Optimization with Optimal Importance Sampling [49.484190237840714]
  本稿では,両者の時間的分離を必要とせずに,意思決定とIS分布を共同で更新する反復型アルゴリズムを提案する。 本手法は,IS分布系に対する目的的,軽度な仮定の凸性の下で,最小の変数分散を達成し,大域収束を保証する。
  論文  参考訳（メタデータ） (2025-04-04T16:10:18Z)
• BOtied: Multi-objective Bayesian optimization with tied multivariate ranks [33.414682601242006]
  本稿では,非支配解と結合累積分布関数の極端量子化との自然な関係を示す。 このリンクにより、我々はPareto対応CDFインジケータと関連する取得関数BOtiedを提案する。 種々の合成および実世界の問題に対する実験により,BOtied は最先端MOBO 取得関数より優れていることが示された。
  論文  参考訳（メタデータ） (2023-06-01T04:50:06Z)
• Scalable Bayesian optimization with high-dimensional outputs using randomized prior networks [3.0468934705223774]
  本稿では,確率化された先行するニューラルネットワークの自己ストラップ型アンサンブルに基づくBOとシーケンシャル意思決定のためのディープラーニングフレームワークを提案する。 提案手法は,高次元ベクトル空間や無限次元関数空間の値を取る場合においても,設計変数と関心量の関数的関係を近似することができることを示す。 提案手法をBOの最先端手法に対して検証し,高次元出力の課題に対して優れた性能を示す。
  論文  参考訳（メタデータ） (2023-02-14T18:55:21Z)
• Constrained multi-objective optimization of process design parameters in settings with scarce data: an application to adhesive bonding [48.7576911714538]
  接着プロセスに最適なプロセスパラメータを見つけることは困難である。 遺伝的アルゴリズムのような伝統的な進化的アプローチは、その問題を解決するのに不適である。 本研究では,目的関数と制約関数をエミュレートするために,特定の機械学習手法をうまく応用した。
  論文  参考訳（メタデータ） (2021-12-16T10:14:39Z)
• Multi-Objective Evolutionary approach for the Performance Improvement of Learners using Ensembling Feature selection and Discretization Technique on Medical data [8.121462458089143]
  本稿では,新しい多目的型次元還元フレームワークを提案する。 これは、特徴選択と離散化を行うためのアンサンブルモデルとして、離散化と特徴縮小の両方を組み込んでいる。
  論文  参考訳（メタデータ） (2020-04-16T06:32:15Z)

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。