論文の概要: Learning What to Evaluate: Correlation-Aware Decoupling for Multiobjective Bayesian Optimization

• arxiv url: http://arxiv.org/abs/2609.32632v1
• Date: Sat, 26 Sep 2026 13:50:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 04:51:03.308976
• Title: Learning What to Evaluate: Correlation-Aware Decoupling for Multiobjective Bayesian Optimization
• Title（参考訳）: 評価すべきことを学ぶ:多目的ベイズ最適化のための相関性を考慮したデカップリング
• Abstract要約: 本稿では,マルチタスクGPモデルを利用して,すべての目的と制約を共同で学習する手法を提案する。 本手法は, 技術状況において, 結合されたベースラインと疎結合されたベースラインよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multiobjective Bayesian optimization (MOBO) with Gaussian process (GP) surrogates is a sample efficient approach to solving multiobjective optimization problems. In MOBO, a Bayesian decision theoretic acquisition function guides the adaptive selection of new candidate inputs, on which objectives and constraints are evaluated to update the surrogate model sequentially. Existing approaches maintain independent GP models for the objectives and constraints, with new observations evaluating all objectives and constraints in a coupled fashion. However, the objectives and constraints often contain inherent correlations which, if exploited, can enable ${decoupled}$ evaluations where only a subset of them are evaluated at each round. We present a new approach that leverages a multitask GP model to jointly learn all objectives and constraints, and propose a total correlation metric that enables identifying an ${optimal}$ subset of objectives and constraints to be evaluated at every round, even under uniform evaluation costs. Theoretically, we show that our acquisition policy is asymptotically consistent despite decoupling and that our proposed decoupled subset selection rule maximizes the expected posterior entropy reduction about unevaluated tasks under mild conditions. Empirically, we show that our approach outperforms coupled and decoupled baselines in the state of the art.
• Abstract（参考訳）: ガウス過程 (GP) シュロゲートを用いた多目的ベイズ最適化 (MOBO) は多目的最適化問題の解法として有効である。 MOBOでは、ベイズ決定理論獲得関数が新しい候補入力の適応的選択を導出し、目的と制約を評価してサロゲートモデルを逐次更新する。 既存のアプローチでは、目的と制約に対する独立したGPモデルを維持し、すべての目的と制約を結合した方法で評価する。 しかしながら、目的と制約は、しばしば固有の相関関係を含み、もし悪用されれば、各ラウンドでそのサブセットのみが評価される${decoupled}$評価を可能にする。 本稿では,マルチタスクGPモデルを用いて全ての目的と制約を共同で学習する手法を提案する。また,一様評価コストの下でも,各ラウンドで評価可能な目的と制約の${optimal}$サブセットを識別可能な総合相関指標を提案する。 理論的には, 疎結合にもかかわらず, 我々の獲得方針は漸近的に整合性を示し, 提案した疎結合部分集合選択規則は, 軽度条件下での未評価タスクについて, 期待される後部エントロピーの減少を最大化することを示した。 経験的に、我々のアプローチは、最先端技術において結合されたベースラインと分離されたベースラインよりも優れていることを示す。

関連論文リスト

• CollabEval: Statistically Efficient Collaborative Model Evaluation via Matrix Completion [65.53153291902454]
  コラボレーティブ・アセスメント(CollabEval)は、異なるモデルの歴史的実行間の依存関係を同じタスクで活用し、統計的効率を改善するための、シンプルで効果的で原則化された方法である。 スコア行列の低ランク近似を構築し、再構成された値を用いて真の評価基準平均の偏りのない推定を保証します。 その結果,CollabEval では,平均信頼区間サイズと点推定値の平均2乗誤差を,同じアノテーション予算における基準手法と比較して大幅に削減できることがわかった。
  論文  参考訳（メタデータ） (2026-07-06T13:22:04Z)
• Stochastic Primal-Dual Decoding for Multiobjective Generative Recommender Systems [3.3756786725295065]
  近年のレコメンデーションシステムの進歩は、生成的モデリングによる大幅な性能向上を示している。 本稿では,多目的スレート生成をサポートする自己回帰生成RSを増強する軽量な推論時デコーディング層を提案する。 その結果,ユーザ満足度ゼロで達成した補助目標に対して,+1.8%の利得を含む多目的トレードオフが一貫した改善が見られた。
  論文  参考訳（メタデータ） (2026-05-26T15:05:06Z)
• Recursive Reward Aggregation [60.51668865089082]
  本稿では,報酬関数の変更を不要としたフレキシブルな行動アライメントのための代替手法を提案する。 マルコフ決定過程(MDP)の代数的視点を導入することにより、ベルマン方程式が報酬の生成と集約から自然に現れることを示す。 我々のアプローチは決定論的および決定論的設定の両方に適用され、価値に基づくアルゴリズムとアクター批判的アルゴリズムとシームレスに統合される。
  論文  参考訳（メタデータ） (2025-07-11T12:37:20Z)
• MAP: Low-compute Model Merging with Amortized Pareto Fronts via Quadratic Approximation [80.47072100963017]
  Amortized Pareto Front (MAP) を用いた新しい低演算アルゴリズム Model Merging を導入する。 MAPは、複数のモデルをマージするためのスケーリング係数のセットを効率的に識別し、関連するトレードオフを反映する。 また,タスク数が比較的少ないシナリオではベイジアンMAP,タスク数の多い状況ではNested MAPを導入し,計算コストを削減した。
  論文  参考訳（メタデータ） (2024-06-11T17:55:25Z)
• 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)
• Knowledge Gradient for Multi-Objective Bayesian Optimization with Decoupled Evaluations [0.0]
  いくつかのケースでは、目的を個別に評価することができ、異なるレイテンシや評価コストをそれぞれの目標に関連付けることができる。 目的の異なる評価コストを考慮に入れたスカラー化に基づく知識獲得機能を提案する。
  論文  参考訳（メタデータ） (2023-02-02T18:33:34Z)
• 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)
• Bi-objective Ranking and Selection Using Stochastic Kriging [0.0]
  両目的のランク付けと選択の問題について検討し,その2つの目的が不確実性をもって観測された。 そこで本研究では,競合する解に対して逐次サンプルを割り当てるバイーシアン双対象ランクと選別法を提案する。 実験結果から,提案手法は標準的なアロケーション手法よりも優れており,また,よく知られた最先端のアルゴリズムも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-09-05T23:51:07Z)

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。