論文の概要: A Unified Information-Theoretic Approach to Constrained Multi-Fidelity Multi-Objective Bayesian Optimization

• arxiv url: http://arxiv.org/abs/2610.10174v1
• Date: Wed, 07 Oct 2026 14:47:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.975286
• Title: A Unified Information-Theoretic Approach to Constrained Multi-Fidelity Multi-Objective Bayesian Optimization
• Title（参考訳）: 制約付き多目的ベイズ最適化のための統一情報理論アプローチ
• Abstract要約: クエリユーティリティの測定には統合情報理論の視点を用いる。 我々は、下向きと上向きの近似を混合した変分下界を導出する。 合成、ベンチマーク、実世界の問題に関する実験は、多種多様な目的、制約、忠実度設定にまたがる効果を示す。
• 参考スコア（独自算出の注目度）: 6.162887315853758
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian optimization often involves multiple objectives, constraints, and fidelity levels. We address the challenge of jointly selecting where and at which fidelity to evaluate to identify the highest-fidelity feasible Pareto frontier in this combined setting. From a unified information-theoretic perspective, we measure query utility by the information gain about this frontier, provided by an observation. Since this mutual information is intractable, we derive a variational lower bound using a mixture of under- and over-truncated approximations to the Pareto-consistent region. Multi-fidelity surrogate models propagate the information to arbitrary fidelities, yielding a cost-aware acquisition function without separate heuristics for fidelity selection or constraint handling. Experiments on synthetic, benchmark, and real-world problems demonstrate effectiveness across diverse objective, constraint, and fidelity settings.
• Abstract（参考訳）: ベイズ最適化は、しばしば複数の目的、制約、忠実度レベルを含む。 この組み合わせ設定において、最も忠実なパレートフロンティアを特定するために、評価対象の場所と場所を共同選択することの課題に対処する。 統合情報理論の観点から,このフロンティアに関する情報取得によるクエリユーティリティの測定を行う。 この相互情報は難易度が高いため,パレート・一貫性領域への過渡的近似と過渡的近似の混合を用いて変動的下界を導出する。 マルチフィデリティ・サロゲートモデルは、情報を任意のフィデリティに伝達し、フィデリティ選択や制約ハンドリングのための別個のヒューリスティックを伴わずに、コストを意識した取得関数を生成する。 合成、ベンチマーク、実世界の問題に関する実験は、多種多様な目的、制約、忠実度設定にまたがる効果を示す。

関連論文リスト

• Learning What to Evaluate: Correlation-Aware Decoupling for Multiobjective Bayesian Optimization [0.0]
  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。
  論文  参考訳（メタデータ） (2026-09-26T13:50:39Z)
• Breaking the Filter Bubble: A Semantic Pareto-DQN Framework for Multi-Objective Recommendation [0.23332469289621785]
  本稿では,多目的のマルコフ決定プロセスとして推薦を形式化する多目的強化学習フレームワークを提案する。 我々のアーキテクチャは、エンゲージメント、多様性、公平性を、静的報酬スキャラライゼーションの落とし穴を避けるために、識別できない報酬信号として扱います。
  論文  参考訳（メタデータ） (2026-06-23T00:58:16Z)
• Stochastic Encodings for Active Feature Acquisition [100.47043816019888]
  Active Feature Acquisitionは、インスタンスワイドでシーケンシャルな意思決定問題である。 目的は、テストインスタンスごとに独立して、現在の観測に基づいて計測する機能を動的に選択することである。 一般的なアプローチは強化学習(Reinforcement Learning)であり、トレーニングの困難を経験する。 我々は、教師付きで訓練された潜在変数モデルを導入し、潜在空間における観測不能な実現の可能性の多くにまたがる特徴を推論することで獲得する。
  論文  参考訳（メタデータ） (2025-08-03T23:48:46Z)
• On Some Tunable Multi-fidelity Bayesian Optimization Frameworks [0.35587965024910395]
  多重忠実度最適化では、様々なレベルの忠実度からの情報を統合する代理モデルを採用している。 我々は、フィデリティ選択を簡略化する近接ベースの取得戦略を実装した。 また,マルチファイダリティGPと組み合わせることで,マルチファイダリティアッパー信頼境界B戦略を実現する。
  論文  参考訳（メタデータ） (2025-08-01T18:26:39Z)
• Multi-Level Aware Preference Learning: Enhancing RLHF for Complex Multi-Instruction Tasks [81.44256822500257]
  RLHFは、人工知能システムと人間の好みを結びつける主要なアプローチとして登場した。 RLHFは、複雑なマルチインストラクションタスクに直面すると、不十分なコンプライアンス機能を示す。 本稿では,マルチインストラクション能力を向上させる新しいMAPL(Multi-level Aware Preference Learning)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-19T08:33:11Z)
• Preference-Guided Diffusion for Multi-Objective Offline Optimization [64.08326521234228]
  オフライン多目的最適化のための優先誘導拡散モデルを提案する。 我々の指導は、ある設計が他の設計を支配する確率を予測するために訓練された選好モデルである。 本結果は,多種多様な高品質な解を生成する上での分類器誘導拡散モデルの有効性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-03-21T16:49:38Z)
• 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)
• 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)
• Multi-Fidelity Multi-Objective Bayesian Optimization: An Output Space Entropy Search Approach [44.25245545568633]
  複数目的のブラックボックス最適化の新たな課題を多要素関数評価を用いて検討する。 いくつかの総合的および実世界のベンチマーク問題に対する実験により、MF-OSEMOは両者の近似により、最先端の単一忠実度アルゴリズムよりも大幅に改善されていることが示された。
  論文  参考訳（メタデータ） (2020-11-02T06:59:04Z)

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。