論文の概要: Energy-aware frugal Bayesian optimization

• arxiv url: http://arxiv.org/abs/2609.31638v1
• Date: Fri, 11 Sep 2026 01:03:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 14:31:21.550921
• Title: Energy-aware frugal Bayesian optimization
• Title（参考訳）: エネルギーを考慮したフラガールベイズ最適化
• Abstract要約: 本稿では,ベイズ最適化フレームワークにおける計算エネルギーフットプリントの定量化手法を提案する。 実験では、最適収束と基礎となるエネルギーフットプリントの間の既存のトレードオフが強調され、時として、より良い最適と低いエネルギー消費が生じた。
• 参考スコア（独自算出の注目度）: 0.3262230127283452
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern design optimization frameworks aim first and foremost for models with the most accurate predictions without balancing computational overhead. It remains a reason why scaled architecture and multidisciplinary design optimization problems are difficult to address, even with sample-efficient Bayesian optimizers. In this paper, a metric quantifying the computational energy footprint is introduced within a Bayesian optimization framework to guide the parameter setting of a model towards configurations that balance both performance and frugality. The computer experiments highlighted existing tradeoffs between optimum convergence and the underlying energy footprint, and sometimes resulted in both a better-found optimum and lower energy consumption.
• Abstract（参考訳）: 現代の設計最適化フレームワークは、計算オーバーヘッドのバランスを取ることなく、最も正確な予測を行うモデルを第一に、そして最優先にしている。 サンプル効率のよいベイズ最適化器であっても、スケールドアーキテクチャと多分野設計最適化の問題に対処するのは難しいのは、依然として理由である。 本稿では,ベイズ最適化フレームワーク内で計算エネルギーフットプリントの定量化指標を導入し,モデルのパラメータ設定を性能と重大性の両立に導く。 コンピュータ実験では、最適収束と基礎となるエネルギーフットプリントの間の既存のトレードオフが強調され、時として、より良い最適と低いエネルギー消費が生じた。

関連論文リスト

• Optimizing Optimizers for Fast Gradient-Based Learning [53.81268610971847]
  勾配学習における設計の自動化に関する理論的基礎を築いた。 勾配損失信号をパラメータ運動に変換する関数として扱うことにより、この問題は凸最適化問題の族に還元される。
  論文  参考訳（メタデータ） (2025-12-06T09:50:41Z)
• 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)
• Enhanced Bayesian Optimization via Preferential Modeling of Abstract Properties [49.351577714596544]
  本研究では,非測定抽象特性に関する専門家の嗜好を代理モデルに組み込むための,人間とAIの協調型ベイズフレームワークを提案する。 優先判断において、誤った/誤解を招く専門家バイアスを処理できる効率的な戦略を提供する。
  論文  参考訳（メタデータ） (2024-02-27T09:23:13Z)
• A General Framework for User-Guided Bayesian Optimization [51.96352579696041]
  コラボ (ColaBO) は、典型的なカーネル構造を超越した事前信念のための最初のベイズ原理の枠組みである。 我々は,ColaBOの事前情報が正確である場合に最適化を著しく高速化し,ミスリード時のほぼ既定性能を維持する能力を実証的に実証した。
  論文  参考訳（メタデータ） (2023-11-24T18:27:26Z)
• DEBOSH: Deep Bayesian Shape Optimization [48.80431740983095]
  形状最適化に適した不確実性に基づく新しい手法を提案する。 効果的なBOを可能にし、その結果の形状の質を最先端のアプローチを超えて向上させる。
  論文  参考訳（メタデータ） (2021-09-28T11:01:42Z)
• End-to-end deep meta modelling to calibrate and optimize energy consumption and comfort [0.0]
  本稿では,リカレントニューラルネットワークに基づくメタモデルを導入し,一般の建物の挙動を予測する訓練を行う。 メタモデルの予測とセンサから得られた実データを比較することでパラメータを推定する。 エネルギー消費は、目標の熱の快適さと空気の質を維持しながら最適化されている。
  論文  参考訳（メタデータ） (2021-02-01T10:21:09Z)
• Bayesian Optimization for Selecting Efficient Machine Learning Models [53.202224677485525]
  本稿では,予測効率とトレーニング効率の両面において,モデルを協調最適化するための統一ベイズ最適化フレームワークを提案する。 レコメンデーションタスクのためのモデル選択の実験は、この方法で選択されたモデルがモデルのトレーニング効率を大幅に改善することを示している。
  論文  参考訳（メタデータ） (2020-08-02T02:56:30Z)
• End-to-end deep metamodeling to calibrate and optimize energy loads [0.0]
  本研究では,大規模建物のエネルギー性能と快適性,空気質,衛生性を最適化する新しいエンド・ツー・エンド手法を提案する。 シミュレーションプログラムでサンプル化したデータセットを用いてトランスフォーマーネットワークに基づくメタモデルを導入,訓練する。
  論文  参考訳（メタデータ） (2020-06-19T07:40:11Z)
• An efficient application of Bayesian optimization to an industrial MDO framework for aircraft design [0.4893345190925178]
  ボンバルディア航空(Bombardier Aviation)では、効率よく競争力のある航空機構成を探索するために、多段階、多分野、多分野の最適化フレームワークが開発された。 残念なことに、Isightソフトウェアが必要とする計算作業は、産業的コンテキストの要件に関して禁止される可能性がある。 本稿では,最適化の労力を削減するために,制約付きベイズ最適化,すなわち,専門家の混在による超効率的な大域的最適化を用いる。
  論文  参考訳（メタデータ） (2020-06-12T07:44:25Z)

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。