論文の概要: Agentic High-Dimensional Bayesian Optimization with Hypothesis- and Evidence-Guided Search

• arxiv url: http://arxiv.org/abs/2609.34281v1
• Date: Mon, 28 Sep 2026 04:28:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 22:13:06.09137
• Title: Agentic High-Dimensional Bayesian Optimization with Hypothesis- and Evidence-Guided Search
• Title（参考訳）: 仮説とエビデンスガイドを用いたエージェントハイ次元ベイズ最適化
• Abstract要約: 高次元ベイズ最適化は、評価予算に対して変数の数が大きい場合、サンプル効率の最適化を求める。 近年のLLM法およびエージェントBO法では,タスク知識を取り入れ,実行中の探索決定に適応する手法が提案されているが,主に低次元および中等次元の問題で評価されている。 実験の結果,これらの手法は高次元のシステムでは信頼性が保たれていないことが明らかとなった。 我々は,タスクコンテキスト,最適化フィードバック,構造診断を利用した仮説および証拠誘導研究エージェントHERAを紹介する。
• 参考スコア（独自算出の注目度）: 19.77634277171551
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-dimensional Bayesian optimization (HDBO) seeks sample-efficient optimization when the number of variables is large relative to the evaluation budget. Recent LLM-based and agentic BO methods incorporate task knowledge and adapt search decisions during a run, but have primarily been evaluated on low- and moderate-dimensional problems. We ask whether this paradigm can transfer to the higher-dimensional regime. Our experiments show that these methods do not remain reliable in the high-dimensional regime, where the challenge is not only where to evaluate, but also which modeling assumption and search geometry to use when the objective's useful structure is unknown. We therefore introduce HERA, a Hypothesis- and Evidence-guided Research Agent that uses task context, optimization feedback, and structural diagnostics to revise search hypotheses, select and configure HDBO strategies, and determine their execution length. PRISM, its numerical optimization engine, generates and evaluates candidates sequentially within each search block, updating numerical models after each observation. HERA remains competitive with strong numerical HDBO baselines and outperforms the evaluated LLM-based and agentic methods on four metadata-free synthetic functions. Across eight real-world tasks, HERA achieves the best mean final objective among all evaluated systems on most benchmarks. Further analyses show that structural diagnostics change strategy use, metadata effects vary across tasks, and adaptive search blocks reduce inference cost.
• Abstract（参考訳）: 高次元ベイズ最適化(HDBO)は、評価予算に対して変数の数が大きい場合、サンプル効率の最適化を求める。 近年のLLM法およびエージェントBO法では,タスク知識を取り入れ,実行中の探索決定に適応する手法が提案されているが,主に低次元および中等次元の問題で評価されている。 このパラダイムが高次元体制に移行できるかどうかを問う。 実験の結果,これらの手法は高次元のシステムでは信頼性が保たれていないことが明らかとなった。課題は,評価する場所だけでなく,目的の有用な構造が不明な場合に使用する仮説や探索幾何学のモデル化である。 HERAは,タスクコンテキスト,最適化フィードバック,構造診断を用いて,探索仮説を改訂し,HDBO戦略を選択して構成し,実行期間を決定する。 数値最適化エンジンであるPRISMは、各探索ブロック内で逐次候補を生成し評価し、各観測後の数値モデルを更新する。 HERAは強力なHDBOベースラインと競合し続け、4つのメタデータのない合成関数上で評価されたLLM法およびエージェント法より優れている。 HERAは8つの実世界のタスクにおいて、ほとんどのベンチマークで評価されたシステムの中で最高の平均的な最終目標を達成する。 さらに分析したところ、構造診断は戦略の使い方を変え、メタデータの効果はタスクによって異なり、適応探索ブロックは推論コストを低減している。

関連論文リスト

• Artificial Neural Networks as Surrogate Models in Black Box Optimization [0.0]
  ブラックボックス最適化(BBO)は、いくつかの工学分野に適用され、数値測度とシミュレーション技術の進歩を利用することができる。 サーチスペース内の入力ポイントのみを必要とするメトオドに依存し、対応する目的関数値とペアリングし、センサ、実験、シミュレーションなどの非分析手段によって得られる。 BBO法は目的関数の値にのみ依存するため、一般に多くの評価を必要とする。 本稿では,ニューラルネットワークを用いた新しいサロゲートモデルを提案する。
  論文  参考訳（メタデータ） (2026-09-16T09:45:37Z)
• Step-by-Step Optimization-like Reasoning in LLMs over Expanding Search Spaces [63.82675722580452]
  OPT*は、LLMのステップバイステップ最適化のような推論を訓練し評価するための最適化スタイルのタスクのファミリーである。 各タスクは実現可能性チェッカーと評価器を提供し、一方、複雑性パラメータは新しい人間ラベルを必要とせずに検索スペースを拡大する。 OPT*のトレーニングは、ステップバイステップの最適化のような推論を改善する。
  論文  参考訳（メタデータ） (2026-06-03T21:43:38Z)
• FrontierOR: Benchmarking LLMs' Capacity for Efficient Algorithm Design in Large-Scale Optimization [61.43300970020897]
  大規模言語モデル(LLM)は、最適化モデリングとソルバコード生成にますます使われている。 既存のベンチマークは、実際のスケールと複雑さよりもはるかに低い、小さな、あるいは単純化された例に限られている。 現実的な大規模最適化問題に対して,LLMに基づく効率的なアルゴリズム設計を評価するための最初のベンチマークとしてFrontierORを紹介した。
  論文  参考訳（メタデータ） (2026-05-24T20:10:42Z)
• WebLeaper: Empowering Efficiency and Efficacy in WebAgent via Enabling Info-Rich Seeking [60.35109192765302]
  情報検索は、自律的な推論と意思決定を可能にする中核的な能力である。 我々は、高カバレッジなISタスクを構築し、効率的なソリューショントラジェクトリを生成するためのフレームワークであるWebLeaperを提案する。 本手法は,強いベースラインに対する有効性と効率性の向上を継続的に達成する。
  論文  参考訳（メタデータ） (2025-10-28T17:51:42Z)
• A Survey on the Optimization of Large Language Model-based Agents [16.733092886211097]
  大規模言語モデル(LLM)は様々な分野で広く採用されており、自律的な意思決定や対話的なタスクに欠かせないものとなっている。 しかしながら、現在の作業は通常、バニラLLMに適用された迅速な設計や微調整戦略に依存している。 LLMに基づくエージェント最適化手法の総合的なレビューを行い、パラメータ駆動型およびパラメータフリーな手法に分類する。
  論文  参考訳（メタデータ） (2025-03-16T10:09:10Z)
• In-context Demonstration Matters: On Prompt Optimization for Pseudo-Supervision Refinement [71.60563181678323]
  大規模言語モデル(LLM)は様々なタスクで大きな成功を収めており、生成品質をさらに向上させるためには微調整が必要である場合もある。 これらの課題に対処する直接的な解決策は、教師なしの下流タスクから高信頼のデータを生成することである。 本稿では,プロンプトと全体的な擬似スーパービジョンを両立させる新しい手法,擬似教師付きデモアライメント・アライメント・アライメント・プロンプト・最適化(PAPO)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-04T03:39:28Z)
• High-dimensional Bayesian Optimization with Group Testing [7.12295305987761]
  本研究では,高次元領域における効率的な最適化を容易にするために,能動変数を同定するグループテスト手法を提案する。 提案したアルゴリズムであるグループテストベイズ最適化(GTBO)は、まず変数のグループを体系的に選択し、テストするテストフェーズを実行する。 第2段階では、GTBOは活性次元をより重要視することで最適化を導く。
  論文  参考訳（メタデータ） (2023-10-05T12:52:27Z)
• Deterministic Langevin Unconstrained Optimization with Normalizing Flows [3.988614978933934]
  我々は,Fokker-Planck方程式とLangevin方程式にインスパイアされたブラックボックス関数に対するグローバルで自由な代理最適化戦略を導入する。 本研究は,標準合成試験関数の最適目的に向けての競争力の向上を実証する。
  論文  参考訳（メタデータ） (2023-10-01T17:46:20Z)
• 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)
• Uncertainty-Aware Search Framework for Multi-Objective Bayesian Optimization [40.40632890861706]
  高価な関数評価を用いたマルチオブジェクト(MO)ブラックボックス最適化の問題点を考察する。 UeMOと呼ばれる新しい不確実性対応検索フレームワークを提案し、評価のための入力シーケンスを効率的に選択する。
  論文  参考訳（メタデータ） (2022-04-12T16:50:48Z)
• RoMA: Robust Model Adaptation for Offline Model-based Optimization [115.02677045518692]
  入力出力クエリの静的データセットからブラックボックス目的関数を最大化する入力を探索する問題を考える。 この問題を解決するための一般的なアプローチは、真の客観的関数を近似するプロキシモデルを維持することである。 ここでの大きな課題は、検索中に逆最適化された入力を避ける方法である。
  論文  参考訳（メタデータ） (2021-10-27T05:37:12Z)

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。