論文の概要: GUIDE-FBO: Guidance via Uncertainty Intervention and Distributional Exchange for Federated Bayesian Optimization

• arxiv url: http://arxiv.org/abs/2609.35038v1
• Date: Mon, 28 Sep 2026 12:37:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 17:37:30.430103
• Title: GUIDE-FBO: Guidance via Uncertainty Intervention and Distributional Exchange for Federated Bayesian Optimization
• Title（参考訳）: GUIDE-FBO:フェデレートベイズ最適化のための不確実な介入と分散交換によるガイダンス
• Abstract要約: そこで,GUIDE-FBOを提案する。 12の総合ベンチマークと3つの実世界の最適化タスクの実験により、GUIDE-FBOは均一性から重大不均一性まで、様々な設定で有効であることが示された。
• 参考スコア（独自算出の注目度）: 9.30896667168931
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated Bayesian Optimization (FBO) enables distributed agents to collaboratively optimize expensive black-box objectives without sharing raw local observations. However, effective knowledge transfer remains challenging under communication constraints and task heterogeneity. We propose GUIDE-FBO, in which agents exchange compact distributions over the locations of their respective optima inferred from local Gaussian process (GP) posteriors, rather than raw observations, query points, or surrogate parameters. The server merges and reweights these distributional components before returning a subset to each agent. Each agent then constructs a Federated Interventional GP (FI-GP), which preserves the local posterior mean and spatially rescales its covariance for local decision making. For the upper confidence bound (UCB) instantiation, GUIDE-UCB, we prove that any bounded FI-GP uncertainty intervention preserves the leading-order cumulative regret rate of standard GP-UCB. When the transferred distributions place greater support near an optimum than in a suboptimal region, selecting the latter requires greater local posterior uncertainty. Experiments on 12 synthetic benchmarks and three real-world optimization tasks show that GUIDE-FBO remains effective across settings ranging from homogeneous to severely heterogeneous. Ablation results highlight the importance of spatially localized uncertainty intervention, while the communication analysis shows that GUIDE-FBO exchanges only compact distributional messages.
• Abstract（参考訳）: フェデレートベイズ最適化(FBO)により、分散エージェントは、生のローカル観測を共有せずに、高価なブラックボックスの目的を協調的に最適化することができる。 しかし,コミュニケーション制約やタスクの不均一性の下では,効果的な知識伝達は依然として困難である。 実測値やクエリポイント,サロゲートパラメータではなく,局所ガウス過程(GP)後部から推定される各最適点の位置に対して,エージェントがコンパクトな分布を交換するGUIDE-FBOを提案する。 サーバは、各エージェントにサブセットを返す前に、これらの分散コンポーネントをマージし、再重み付けする。 各エージェントは、局所的な後部平均を保存し、その共分散を局所的な決定のために空間的に再スケールするフェデレート・インターベンショナルGP(FI-GP)を構築する。 GUIDE-UCBは, FI-GP不確実性介入が標準GP-UCBの前次累積後悔率を保っていることを証明した。 転送された分布が最適近傍の準最適領域よりも高い支持を与える場合、後者を選択するには、より局所的な不確実性が必要である。 12の総合ベンチマークと3つの実世界の最適化タスクの実験により、GUIDE-FBOは均一性から重大不均一性まで、様々な設定で有効であることが示された。 アブレーションの結果は,空間的局所的な不確実性介入の重要性を強調し,通信解析の結果,GUIDE-FBOはコンパクトな分散メッセージのみを交換することが示された。

関連論文リスト

• Adapting Nonstationary Multi-output Gaussian Processes to Bayesian Optimization [0.0]
  マルチ出力低ランク非定常(MO-LRN)GPのミスマッチについて検討し、高いトレーニング適合性は大規模なオフデザインエラーと楽観的な獲得予測と共存できることを示した。 MOLRN-BOは、正規化された共有スペクトルサロゲートと、目的固有残差、先行平均補正、誘電共分散スケーリングを組み合わせたものである。 実験により、MOLRN-BOは元のMO-LRNを大幅に改善し、最終正規化ハイパーボリュームと正規化逆世代距離の最良の平均問題ランクを達成することが示された。
  論文  参考訳（メタデータ） (2026-09-26T10:54:56Z)
• Federated Targeted Maximum Likelihood Estimation [15.722746871859593]
  クロスサイロ学習は計算をデータに移動させ、合意された要約を交換する。 我々は2つのサイロを通して、任意の目標、損失、変動家族のためのターゲティング自体を連携させた。 FedTMLEGは、局所的な勾配を集約し、ステップの集中的なターゲティングステップを再現する。 FedTMLELは、各機関が適合した更新を単一に交換する前に、独自のゆらぎを完了させる。
  論文  参考訳（メタデータ） (2026-09-24T19:43:40Z)
• FedGuide: Diffusion Prior Alignment and Value Baseline Guidance for Heterogeneous Federated Reinforcement Learning [15.845957489403458]
  Federated Reinforcement Learning (FRL)は、異種環境を持つ分散エージェント間の協調的なポリシー学習を可能にする。 異種ローカルポリシー学習のためのパーソナライズされたデータ分散を提供するための行動モデルとして拡散優先法を用いるFRLフレームワークである textbfFedGuide を提案する。
  論文  参考訳（メタデータ） (2026-07-22T05:27:53Z)
• How Useful is Causal Invariance for Domain Adaptation in Finite-Sample Settings? [58.740078141879984]
  機械学習モデルは、トレーニングされたソースディストリビューションとは異なるターゲットディストリビューションにデプロイされると、しばしば劣化する。 因果関係に基づく領域一般化における最近の研究は、共用因果構造が不変な予測因子を誘導する方法を示している。 本稿では,完全あるいは部分的な因果知識が,教師付きドメイン適応を確実に改善できるかどうかについて検討する。
  論文  参考訳（メタデータ） (2026-06-10T21:07:49Z)
• When Right Meets Wrong: Bilateral Context Conditioning with Reward-Confidence Correction for GRPO [18.988527161000203]
  グループ相対政策最適化(GRPO)は、推論モデルを訓練するための効果的な方法として登場した。 本稿では,GRPOの目的が正解率と正解率とのマージンを暗黙的に最大化することを示す。 本稿では,モデルが相互参照を成功させる機構であるバイラテラルコンテキストコンディショニング(BICC)を提案する。
  論文  参考訳（メタデータ） (2026-03-13T16:25:02Z)
• Evidence-based Distributional Alignment for Large Language Models [58.65469623911573]
  LLM分布推定の忠実度とロバスト性を改善する証拠に基づくアライメント手法であるEvi-DAを提案する。 対象国が与えられた場合、Evi-DAは関連するWorld Values Survey項目とその回答分布を検索し、オプション毎に粗いヴェルツェル値シグネチャを予測し、国条件の回答分布を構造化形式で推測する。
  論文  参考訳（メタデータ） (2026-03-03T03:34:06Z)
• What Makes Local Updates Effective: The Role of Data Heterogeneity and Smoothness [5.357435119431715]
  この論文は、異種環境における局所SGDの分析のための自己完結型ガイドに寄与する。 この論文はオンライン学習にも拡張され、ファーストオーダーとバンディットの両方のフィードバックの下で基本的な境界を提供する。
  論文  参考訳（メタデータ） (2025-06-30T19:06:02Z)
• Optimal Scaling for Locally Balanced Proposals in Discrete Spaces [65.14092237705476]
  離散空間におけるMetropolis-Hastings (M-H) アルゴリズムの効率は、対象分布に依存しない受容率によって特徴づけられることを示す。 最適受容率の知識は、連続空間におけるステップサイズ制御と直接的に類似して、離散空間における提案分布の近傍サイズを自動的に調整することを可能にする。
  論文  参考訳（メタデータ） (2022-09-16T22:09:53Z)
• Disentangled Federated Learning for Tackling Attributes Skew via Invariant Aggregation and Diversity Transferring [104.19414150171472]
  属性は、クライアント間の一貫した最適化方向から、現在の連邦学習(FL)フレームワークを歪めます。 本稿では,ドメイン固有属性とクロス不変属性を2つの補足枝に分離するために,非絡み付きフェデレーション学習(DFL)を提案する。 実験により、DFLはSOTA FL法と比較して高い性能、より良い解釈可能性、より高速な収束率でFLを促進することが確認された。
  論文  参考訳（メタデータ） (2022-06-14T13:12:12Z)
• Learning Unbiased Transferability for Domain Adaptation by Uncertainty Modeling [107.24387363079629]
  ドメイン適応は、ラベル付けされたソースドメインからラベル付けされていない、あるいはラベル付けされていないが関連するターゲットドメインに知識を転送することを目的としています。 ソース内のアノテートされたデータの量とターゲットドメインとの間の不均衡のため、ターゲットの分布のみがソースドメインにアライメントされる。 本稿では,非暴力的非暴力的移動可能性推定プラグイン(UTEP)を提案し,非暴力的移動を最適化するDA法において,識別器の不確実性をモデル化する。
  論文  参考訳（メタデータ） (2022-06-02T21:58:54Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)

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。