論文の概要: Pre-training of Bayesian Optimization Algorithm through Bayesian Optimization

• arxiv url: http://arxiv.org/abs/2610.10186v1
• Date: Wed, 07 Oct 2026 14:53:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.979367
• Title: Pre-training of Bayesian Optimization Algorithm through Bayesian Optimization
• Title（参考訳）: ベイズ最適化によるベイズ最適化アルゴリズムの事前学習
• Abstract要約: 本稿では,事前に指定しなければならないパラメータを最適化するためのフレームワークを提案する。 BOアルゴリズムの性能指標として累積的後悔を用いる。 提案フレームワークは,高い性能を実現するパラメータ構成を効果的に選択できることを実証する。
• 参考スコア（独自算出の注目度）: 5.641457753240697
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian optimization (BO) is widely used as a standard approach for expensive black-box optimization. However, BO algorithms often involve parameters that must be specified in advance, and their performance can strongly depend on these choices. We propose a framework for optimizing such parameters using sample paths drawn from a Gaussian process (GP) inferred from the information available at the start of BO. We use cumulative regret as the performance metric for a BO algorithm. By running the BO algorithm on the generated sample paths, we obtain an empirical estimate of its expected cumulative regret for a given parameter configuration. Optimizing this estimate allows us to identify parameter configurations that, given the currently available information, are expected to achieve low cumulative regret. Since this parameter optimization is itself a black-box optimization problem, we employ another BO procedure to solve it, which we refer to as outer BO. Through experiments, we demonstrate that the proposed framework can effectively select parameter configurations that achieve strong performance among a range of candidate configurations.
• Abstract（参考訳）: ベイズ最適化(BO)は高価なブラックボックス最適化の標準手法として広く使われている。 しかし、BOアルゴリズムは事前に指定しなければならないパラメータを伴い、その性能はこれらの選択に強く依存する。 本稿では,BO開始時に利用可能な情報から推定されるガウス過程(GP)から引き出されたサンプルパスを用いて,そのようなパラメータを最適化するフレームワークを提案する。 BOアルゴリズムの性能指標として累積的後悔を用いる。 生成したサンプルパス上でBOアルゴリズムを動作させることで、所定のパラメータ設定に対して期待される累積後悔を実証的に推定する。 この推定を最適化することで、現在利用可能な情報を考えると、累積的後悔の少ないパラメータ構成を特定できる。 このパラメータ最適化は、それ自体がブラックボックス最適化の問題であるため、別のBOプロシージャを用いて解決する。 実験により,提案フレームワークは,候補設定の範囲内で高い性能を実現するパラメータ構成を効果的に選択できることが実証された。

関連論文リスト

• Work While They Sleep: Exploiting Evaluation Latency for Fully Bayesian Optimization [53.886098984181956]
  提案手法は, 目的評価待ち時間を用いて, 次の提案の計算をヘッドスタートするアルゴリズムであるELF-BOを提案する。 ELF-BOはベイズ的手法と同等であり,決定遅延は標準BOと同等かそれ以上である。
  論文  参考訳（メタデータ） (2026-10-06T18:32:38Z)
• Poisson Process for Bayesian Optimization [126.51200593377739]
  本稿では、Poissonプロセスに基づくランキングベースの代理モデルを提案し、Poisson Process Bayesian Optimization(PoPBO)と呼ばれる効率的なBOフレームワークを提案する。 従来のGP-BO法と比較すると,PoPBOはコストが低く,騒音に対する堅牢性も良好であり,十分な実験により検証できる。
  論文  参考訳（メタデータ） (2024-02-05T02:54:50Z)
• Parallel Bayesian Optimization Using Satisficing Thompson Sampling for Time-Sensitive Black-Box Optimization [0.0]
  本稿では,Thompsonサンプリングに基づく並列BO手法を提案する。 ターゲットを最適なソリューションから、学習しやすい満足できるソリューションにシフトします。 リチウムイオン電池の高速充電設計問題に対して提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2023-10-19T07:03:51Z)
• Provably Efficient Bayesian Optimization with Unknown Gaussian Process Hyperparameter Estimation [44.53678257757108]
  目的関数の大域的最適値にサブ線形収束できる新しいBO法を提案する。 本手法では,BOプロセスにランダムなデータポイントを追加するために,マルチアームバンディット法 (EXP3) を用いる。 提案手法は, 様々な合成および実世界の問題に対して, 既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-12T03:35:45Z)
• Generalizing Bayesian Optimization with Decision-theoretic Entropies [102.82152945324381]
  統計的決定論の研究からシャノンエントロピーの一般化を考える。 まず,このエントロピーの特殊なケースがBO手順でよく用いられる獲得関数に繋がることを示す。 次に、損失に対する選択肢の選択が、どのようにして柔軟な獲得関数の族をもたらすかを示す。
  論文  参考訳（メタデータ） (2022-10-04T04:43:58Z)
• Sparse Bayesian Optimization [16.867375370457438]
  よりスパースで解釈可能な構成を発見できる正規化ベースのアプローチをいくつか提示する。 そこで本研究では,同相連続に基づく新たな微分緩和法を提案し,空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間 スパシティのために効率的に最適化できることが示されています。
  論文  参考訳（メタデータ） (2022-03-03T18:25:33Z)
• Pre-trained Gaussian Processes for Bayesian Optimization [24.730678780782647]
  本稿では,HyperBO という事前学習型 BO フレームワークを提案する。 GPが既知の「地中真実」を仮定することなく, 後続の予測と, ほぼゼロの後悔をHyperBOに示す。
  論文  参考訳（メタデータ） (2021-09-16T20:46:26Z)
• BOSH: Bayesian Optimization by Sampling Hierarchically [10.10241176664951]
  本稿では,階層的なガウス過程と情報理論の枠組みを組み合わせたBOルーチンを提案する。 BOSHは, ベンチマーク, シミュレーション最適化, 強化学習, ハイパーパラメータチューニングタスクにおいて, 標準BOよりも効率的で高精度な最適化を実現する。
  論文  参考訳（メタデータ） (2020-07-02T07:35:49Z)
• Bayesian Optimization with a Prior for the Optimum [41.41323474440455]
  BOPrO (Preside for the Optimum) を用いたベイズ最適化について紹介する。 BOPrOは、入力空間のどの部分が最高のパフォーマンスをもたらすかという事前の形式で、最適化プロセスに自分の知識を注入することを可能にする。 BOPrOは、一般的なベンチマークスイートの最先端メソッドよりも約6.67倍高速であることを示す。
  論文  参考訳（メタデータ） (2020-06-25T17:49:24Z)
• Incorporating Expert Prior in Bayesian Optimisation via Space Warping [54.412024556499254]
  大きな探索空間では、アルゴリズムは関数の最適値に達する前に、いくつかの低関数値領域を通過する。 このコールドスタートフェーズの1つのアプローチは、最適化を加速できる事前知識を使用することである。 本稿では,関数の事前分布を通じて,関数の最適性に関する事前知識を示す。 先行分布は、探索空間を最適関数の高確率領域の周りに拡張し、最適関数の低確率領域の周りに縮小するようにワープする。
  論文  参考訳（メタデータ） (2020-03-27T06:18:49Z)

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。