論文の概要: DisCoMBO: Steering Expert-in-the-Loop Black Box Optimization via Distributional Conformance

• arxiv url: http://arxiv.org/abs/2609.36472v1
• Date: Tue, 29 Sep 2026 01:32:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 04:28:51.326216
• Title: DisCoMBO: Steering Expert-in-the-Loop Black Box Optimization via Distributional Conformance
• Title（参考訳）: DisCoMBO:分散コンフォーマンスによるブラックボックス最適化の専門家の育成
• Abstract要約: 我々は,PCの柔軟性と効率を形式的不確実性フレームワークで統一する新しい指標であるDisCo(Distributal Conformance Score)を紹介する。 DisCoはモデル「サプライズ」の有界な$[0, 1]$正規化測度を提供する 本研究では,DisCoMBOがゼロレグレットアルゴリズムであり,AutoMLや材料最適化,ウィンドパーク最適化など,様々なベンチマークにおいて有効であることを示す。
• 参考スコア（独自算出の注目度）: 36.89313025576044
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sequential Model-Based Optimization (SMBO) traditionally relies on Bayesian or ensembling surrogates for uncertainty quantification. While historically treated as fully data-driven, SMBO increasingly integrates external domain expertise to accelerate discovery. To overcome the opaque guidance and diminished integration fidelity of standard acquisition re-weighting, Probabilistic Circuits (PCs) have emerged as a generative surrogate alternative, enabling direct knowledge injection via conditional sampling. However, these generative routines lack the formal exploration-exploitation semantics required for rigorous optimization. We introduce the Distributional Conformance Score (DisCo), a novel metric that unifies the flexibility and efficiency of PCs with a formal uncertainty framework. DisCo provides a bounded, $[0, 1]$-normalized measure of model "surprise" that (1) recovers properties comparable to kernel-based uncertainty known from, e.g., Gaussian Processes, while maintaining linear-time inference, and (2) enables accurate assessment of conformance of external knowledge w.r.t. model evidence. We then present DisCoMBO, a framework leveraging these properties for robust, knowledge-aware optimization. We prove that DisCoMBO is a zero-regret algorithm and demonstrate its effectiveness across diverse benchmarks from AutoML, material optimization, and wind park optimization.
• Abstract（参考訳）: 逐次モデルベース最適化(SMBO)は伝統的に、不確実な定量化のためにベイズ的またはアンサンブル的サロゲートに依存している。 SMBOは歴史的に完全なデータ駆動型として扱われてきたが、発見を加速するために外部ドメインの専門知識を統合している。 標準取得再重み付けにおける不透明なガイダンスと統合の忠実度を克服するために、確率回路(PC)は、条件付きサンプリングによる直接知識注入を可能にする生成的サロゲート代替品として登場した。 しかし、これらの生成ルーチンは厳密な最適化に必要な正式な探索・探索のセマンティクスを欠いている。 我々は,PCの柔軟性と効率を形式的不確実性フレームワークで統一する新しい指標であるDisCo(Distributal Conformance Score)を紹介する。 DisCoはモデル "サプライズ" の有界な$[0, 1]$正規化測度を提供し、(1) 線形時間推論を維持しながら、例えばガウス過程から知られているカーネルベースの不確実性に匹敵する特性を回復し、(2) モデル証拠の外部知識の適合性の正確な評価を可能にする。 次に、堅牢で知識を意識した最適化のためにこれらの特性を活用するフレームワークであるDisCoMBOを紹介します。 本研究では,DisCoMBOがゼロレグレットアルゴリズムであり,AutoMLや材料最適化,ウィンドパーク最適化など,様々なベンチマークにおいて有効であることを示す。

関連論文リスト

• Support-Proximity Augmented Diffusion Estimation for Offline Black-Box Optimization [17.43522044331905]
  本研究では,SPADE(Support-Proximity Augmented Diffusion Estimation)を提案する。 本研究では,SPADE が Design-Bench タスクと LLM データ混合最適化ベンチマークを用いて,最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-05-11T21:09:28Z)
• Non-Parametric Rehearsal Learning via Conditional Mean Embeddings [88.89267783967263]
  本研究では,不必要な未来(AUF)問題をテキスト化するための非パラメトリックリハーサル学習手法を提案する。 具体的には、カーネル機械を用いてAUFの目的を、動作誘起分布変化から所望性モデリングを遠ざける統一表現に再構成する。
  論文  参考訳（メタデータ） (2026-05-09T15:30:52Z)
• Taming the Instability: A Robust Second-Order Optimizer for Federated Learning over Non-IID Data [77.19117648492104]
  We present Federated Robust Curvature Optimization (FedRCO), a novel second-order optimization framework designed to improve convergence speed and reduce communication cost。 FedRCOは、効率的な近似曲率と証明可能な安定性メカニズムを統合することで、これらの課題に対処する。 我々は,FedRCOが,最先端の1次法と2次法のどちらよりも高い精度と高速な収束を実現しつつ,多種多様な非IIDシナリオに対して優れたロバスト性を実現することを示す。
  論文  参考訳（メタデータ） (2026-03-30T11:37:46Z)
• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• Know What You Know: Metacognitive Entropy Calibration for Verifiable RL Reasoning [31.629261193485053]
  大規模推論モデル(LRM)は、複雑な現実世界のタスクを解くための強力なパラダイムとして登場した。 既存の結果のみのRLVRパイプラインのほとんどは、バイナリの正当性信号にのみ依存しており、モデルの本質的な不確かさをほとんど無視している。 本稿では,メタ認知型エントロピーキャリブレーションフレームワークEGPOを提案する。
  論文  参考訳（メタデータ） (2026-02-26T08:40:06Z)
• Not All Preferences Are Created Equal: Stability-Aware and Gradient-Efficient Alignment for Reasoning Models [52.48582333951919]
  ポリシー更新の信号対雑音比を最大化することにより、アライメントの信頼性を高めるために設計された動的フレームワークを提案する。 SAGE(Stability-Aware Gradient Efficiency)は、モデル能力に基づいて候補プールをリフレッシュする粗いきめ細かいカリキュラムメカニズムを統合する。 複数の数学的推論ベンチマークの実験により、SAGEは収束を著しく加速し、静的ベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2026-02-01T12:56:10Z)
• Principled Algorithms for Optimizing Generalized Metrics in Binary Classification [53.604375124674796]
  一般化されたメトリクスを最適化するアルゴリズムを導入し、$H$-consistency と finite-sample generalization bounds をサポートする。 提案手法は,メトリクス最適化を一般化したコスト依存学習問題として再検討する。 我々は,理論性能を保証する新しいアルゴリズムMETROを開発した。
  論文  参考訳（メタデータ） (2025-12-29T01:33:42Z)
• Pseudo-Bayesian Optimization [7.556071491014536]
  ブラックボックス最適化の収束を保証するために最小限の要件を課す公理的枠組みについて検討する。 我々は、単純な局所回帰と、不確実性を定量化するために適切な「ランダム化事前」構造を用いることが、収束を保証するだけでなく、常に最先端のベンチマークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-15T07:55:28Z)
• Model-based Causal Bayesian Optimization [78.120734120667]
  モデルに基づく因果ベイズ最適化(MCBO)を提案する。 MCBOは介入と逆のペアをモデリングするのではなく、完全なシステムモデルを学ぶ。 標準的なベイズ最適化とは異なり、我々の取得関数は閉形式では評価できない。
  論文  参考訳（メタデータ） (2022-11-18T14:28:21Z)

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。