論文の概要: ISBO: Scalable Spatio-Temporal Bayesian Optimization with Log Gaussian Cox Process Models via the INLA-SPDE Approach

• arxiv url: http://arxiv.org/abs/2610.12213v2
• Date: Sat, 10 Oct 2026 20:06:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-14 23:39:49.832728
• Title: ISBO: Scalable Spatio-Temporal Bayesian Optimization with Log Gaussian Cox Process Models via the INLA-SPDE Approach
• Title（参考訳）: ISBO: INLA-SPDEアプローチによるログガウスコックスプロセスモデルによるスケーラブルな時空間ベイズ最適化
• Abstract要約: INLA-SPDEは逐次最適化を通じて高速かつ正確な後部推論を提供する。 実験により、ISBOはポイントツーポイントデータを用いたBOの実践的な選択であることが示された。
• 参考スコア（独自算出の注目度）: 1.6822770693792826
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian Optimization (BO) is a popular method for efficiently optimizing expensive black-box objectives. However, BO utilizing standard Gaussian Processes is ill-suited for doubly stochastic Cox Processes that are often used in spatio-temporal problem spaces. We introduce INLA-SPDE Spatio-Temporal Bayesian Optimization (ISBO): the first scalable BO framework for spatio-temporal data, that models the log-intensity with a Log-Gaussian Cox Process(LGCP) and performs inference via Integrated Nested Laplace Approximation and Stochastic Partial Differential Equations (INLA-SPDE) approach. Using a Matern field on meshes yields a sparse Gaussian Markov Random Field, where INLA provides fast and accurate posterior inference throughout sequential optimization. ISBO stably locates high-intensity regions and the peak of the latent intensity with minimal evaluations. A time-varying Upper Confidence Bound acquisition with masking avoids revisits, while penalized-complexity priors regularize early rounds. Experiments on synthetic and real-world spatio-temporal datasets show accurate peak discovery, intensity recovery, and substantial speedups over an RKHS-based baseline, positioning ISBO as a practical choice for BO with point-process data.
• Abstract（参考訳）: ベイズ最適化(BO)は高価なブラックボックスの目的を効率的に最適化するための一般的な手法である。 しかし、標準ガウス過程を利用するBOは、時空間の時空間でよく用いられる二重確率コックス過程に不適である。 InLA-SPDE Spatio-Temporal Bayesian Optimization (ISBO): 時空間データのための最初のスケーラブルBOフレームワークで、ログ-ガウスコックスプロセス(LGCP)を用いてログ強度をモデル化し、統合ネストラプラス近似と確率偏微分方程式(INLA-SPDE)アプローチによる推論を行う。 メッシュ上のMatern場を使用すると、粗ガウスマルコフランダム場が得られ、INLAは逐次最適化を通じて高速かつ正確な後部推論を提供する。 ISBOは、最小評価で、高強度領域と潜伏強度のピークを安定して検出する。 マスキングによる経時変化したアッパー信頼境界の獲得は修正を避けるが、ペナル化された複雑度は早期ラウンドを規則化する。 合成および実世界の時空間データセットの実験では、RKHSベースのベースライン上での正確なピーク発見、強度回復、実質的なスピードアップが示され、ポイントプロセスデータによるBOの実用的な選択としてISBOが位置づけられている。

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)
• From Atoms to Entropy: Optimal Noise Allocation for Diffusion Training in the Convex Regime [52.459513910242485]
  拡散訓練における最適な雑音レベルアロケーションを研究するための一般統計フレームワークを開発する。 最適化されたトレーニングスケジュールは、有限個のノイズレベルに集中した原子最小値を持つことを示す。 次に,大規模実験におけるエントロピック・スケジュールの評価を行った。
  論文  参考訳（メタデータ） (2026-07-10T20:59:06Z)
• Joint Parameter and State-Space Bayesian Optimization: Using Process Expertise to Accelerate Manufacturing Optimization [19.296118527939747]
  以上の結果から,POGPN-JPSSは所望の性能閾値を2倍の速さで高い信頼性で達成し,最先端手法を著しく上回ることを示す。 このことは、専門家の知識と構造化確率モデルを組み合わせることの重要性を強調している。
  論文  参考訳（メタデータ） (2026-02-04T11:07:36Z)
• Spectral Mixture Kernels for Bayesian Optimization [3.8601741392210434]
  本稿では,スペクトル混合カーネルを組み込んだガウス過程に基づく新しいBO法を提案する。 この手法は効率と最適化性能の両方において大幅に向上する。 最適な情報を得る際の情報獲得と累積的後悔の限界を提供する。
  論文  参考訳（メタデータ） (2025-05-23T02:07:26Z)
• Adaptive Bayesian Optimization for Robust Identification of Stochastic Dynamical Systems [4.0148499400442095]
  本稿では,システム係数と雑音分散を含む線形導出システムの同定について述べる。 ベイズ最適化に基づく標本効率のよい大域最適化法を提案する。 実験により、EGPに基づくBOは定常フィルタリングと期待最大化によりMLEを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2025-03-09T01:38:21Z)
• Faster WIND: Accelerating Iterative Best-of-$N$ Distillation for LLM Alignment [81.84950252537618]
  本稿では,反復的BONDと自己プレイアライメントの統一的なゲーム理論接続を明らかにする。 WINレート支配(WIN rate Dominance, WIND)という新しいフレームワークを構築し, 正規化利率支配最適化のためのアルゴリズムを多数提案する。
  論文  参考訳（メタデータ） (2024-10-28T04:47:39Z)
• 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)
• Bayesian Optimization through Gaussian Cox Process Models for Spatio-temporal Data [27.922624489449017]
  本稿ではガウスコックス過程の後方推定を新たに提案する。 さらに、効率的な計算のためのNystr"om近似を開発した。
  論文  参考訳（メタデータ） (2024-01-25T22:26:15Z)
• Learning Regions of Interest for Bayesian Optimization with Adaptive Level-Set Estimation [84.0621253654014]
  本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。 理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
  論文  参考訳（メタデータ） (2023-07-25T09:45:47Z)
• 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)
• Neighbor Regularized Bayesian Optimization for Hyperparameter Optimization [12.544312247050236]
  そこで本研究では,近隣正規化ベイズ最適化(NRBO)と呼ばれる新しいBOアルゴリズムを提案する。 まず,各試料の観察を円滑に円滑に行うため,余分なトレーニングコストを伴わずに効率よく観測ノイズを低減できる近傍型正規化を提案する。 我々は、ベイズマークベンチマークとImageNetやCOCOのような重要なコンピュータビジョンベンチマークで実験を行う。
  論文  参考訳（メタデータ） (2022-10-07T12:08:01Z)

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。