Fugu-MT 論文翻訳(概要): BOBA: Dynamic Bayesian Optimization through Bayesian Active Inference

論文の概要: BOBA: Dynamic Bayesian Optimization through Bayesian Active Inference

arxiv url: http://arxiv.org/abs/2609.26021v1
Date: Tue, 22 Sep 2026 11:24:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-23 18:04:04.341611
Title: BOBA: Dynamic Bayesian Optimization through Bayesian Active Inference
Title（参考訳）: BOBA:ベイジアンアクティブ推論による動的ベイジアン最適化
Abstract要約: 本稿では,予測の不確実性を明示的に最小化する,アクティブ推論から自由エネルギー原理に着想を得た新しい獲得関数を提案する。実験の結果,BOBAはクエリ制限設定における後悔を著しく改善する一方で,時間制限設定では競争力を維持していることがわかった。この研究は、DBOのための自由エネルギーベースの獲得機能と、アクティブ推論原理が非定常環境における最適化をいかに向上させるかについての洞察に寄与する。
参考スコア（独自算出の注目度）: 42.64904472876186
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Dynamic black-box optimization presents significant challenges for Bayesian Optimization (BO), as the objective function evolves over time, causing optimal locations to shift continuously. Existing dynamic BO (DBO) methods using standard acquisition functions such as Upper Confidence Bound (UCB) fail to explicitly account for temporal variations, leading to suboptimal sample allocation and poor tracking of moving optima. Here, we propose BOBA (Bayesian Optimization through Bayesian Active Inference), a novel acquisition function inspired by free energy principles from active inference that explicitly minimizes predictive uncertainty about future states in dynamic environments. BOBA extends traditional acquisition functions by incorporating a forward-looking uncertainty quantification that estimates uncertainty in function changes, enabling more informed exploration-exploitation trade-offs in non-stationary settings. We evaluate BOBA on synthetic dynamic benchmarks, comparing against state-of-the-art DBO methods. Our experiments demonstrate that BOBA significantly improves regret in query-restricted settings, while remaining competitive in time-limited settings. We further analyze variants of BOBA with different exploration strategies, showing how the exploration-exploitation balance can be tuned for different types of dynamic functions. This work contributes both a free energy-based acquisition function for DBO and insights into how active inference principles can enhance optimization in non-stationary environments, with implications for real-time applications requiring continuous adaptation.
Abstract（参考訳）: 動的ブラックボックス最適化は、目的関数が時間とともに進化し、最適な位置が連続的に変化するため、ベイズ最適化(BO)にとって大きな課題となる。上信頼境界 (UCB) のような標準取得関数を用いた既存の動的BO (DBO) 法は、時間的変動を明示的に説明できないため、最適なサンプル割り当てと動きの追跡が不十分になる。本稿では,動的環境における将来の状態に関する予測的不確実性を明示的に最小化する,アクティブ推論から自由エネルギー原理に着想を得た新しい獲得関数BOBAを提案する。 BOBAは、機能変更の不確実性を推定する前方に見える不確実性定量化を導入し、非定常的な環境でより情報的な探索・探索のトレードオフを可能にすることによって、従来の取得機能を拡張している。 BOBAを合成動的ベンチマークで評価し、最先端のDBO法と比較した。実験の結果,BOBAはクエリ制限設定における後悔を著しく改善する一方で,時間制限設定では競争力を維持していることがわかった。さらに,様々な探索手法を用いてBOBAの変種を解析し,様々な種類の動的関数に対して探索・探索バランスを調整可能であることを示す。この研究は、DBOのための自由エネルギーベースの獲得機能と、アクティブ推論原理が非定常環境における最適化をいかに向上させるかについての洞察の両方に寄与し、継続的な適応を必要とするリアルタイムアプリケーションに影響を及ぼす。

関連論文リスト

VBO-MI: A Fully Gradient-Based Bayesian Optimization Framework Using Variational Mutual Information Estimation [1.0829694003408499]
VBO-MIは多変量相互情報推定の最近の進歩を生かした,完全な勾配に基づくBOフレームワークである。提案手法は,高次元合成関数や複雑な実世界のタスクを含む,多種多様なベンチマークを用いて評価する。
論文参考訳（メタデータ） (2026-01-13T03:07:52Z)
Optimizing the Unknown: Black Box Bayesian Optimization with Energy-Based Model and Reinforcement Learning [42.508822373669936]
Black-Box Optimization (BBO) は様々な科学・工学分野で成功を収めている。本稿では,ガウス過程(GP)を統合したReinforced Energy-based Model for Bayesian Optimization (REBMBO)を提案する。我々は、REBMBOの優れた性能を確認するために、合成および実世界のベンチマークに関する広範な実験を行う。
論文参考訳（メタデータ） (2025-10-22T12:36:49Z)
Cost-Sensitive Multi-Fidelity Bayesian Optimization with Transfer of Learning Curve Extrapolation [55.75188191403343]
各ユーザが事前に定義した機能であるユーティリティを導入し,BOのコストと性能のトレードオフについて述べる。このアルゴリズムをLCデータセット上で検証した結果,従来のマルチファイルBOや転送BOベースラインよりも優れていた。
論文参考訳（メタデータ） (2024-05-28T07:38:39Z)
Non-Convex Bilevel Optimization with Time-Varying Objective Functions [57.299128109226025]
本稿では,時間変化の可能なオンライン二段階最適化を提案し,エージェントがオンラインデータを用いて決定を継続的に更新する。既存のアルゴリズムと比較して、SOBOWは計算効率が良く、以前の関数を知る必要がない。軽度条件下では,SOBOWはサブリニアな局所的後悔を達成できることを示す。
論文参考訳（メタデータ） (2023-08-07T06:27:57Z)
Model-based Causal Bayesian Optimization [74.78486244786083]
乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
論文参考訳（メタデータ） (2023-07-31T13:02:36Z)
Weighted Sequential Bayesian Inference for Non-Stationary Linear Contextual Bandits [13.06595406504317]
逐次ベイズ推論のレンズによる非定常線形文脈帯域について検討する。我々の主な貢献は、WSB後部における新しい濃度不等式である。本稿では,WSB-LinUCB,WSB-RandLinUCB,WSB-LinTSの3つのアルゴリズムを紹介する。
論文参考訳（メタデータ） (2023-07-07T13:29:07Z)
Generalizing Bayesian Optimization with Decision-theoretic Entropies [102.82152945324381]
統計的決定論の研究からシャノンエントロピーの一般化を考える。まず,このエントロピーの特殊なケースがBO手順でよく用いられる獲得関数に繋がることを示す。次に、損失に対する選択肢の選択が、どのようにして柔軟な獲得関数の族をもたらすかを示す。
論文参考訳（メタデータ） (2022-10-04T04:43:58Z)
A General Recipe for Likelihood-free Bayesian Optimization [115.82591413062546]
我々は,BOをより広範なモデルやユーティリティに拡張する可能性のないBO(LFBO)を提案する。 LFBOは、確率的代理モデルと個別に推論を行うことなく、取得関数を直接モデル化する。 LFBOにおける取得関数の計算は、重み付けされた分類問題を最適化することで削減できることを示す。
論文参考訳（メタデータ） (2022-06-27T03:55:27Z)
Sparse Bayesian Optimization [16.867375370457438]
よりスパースで解釈可能な構成を発見できる正規化ベースのアプローチをいくつか提示する。そこで本研究では,同相連続に基づく新たな微分緩和法を提案し,空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間スパシティのために効率的に最適化できることが示されています。
論文参考訳（メタデータ） (2022-03-03T18:25:33Z)

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。