論文の概要: STREGO: A Scalable Implementation of a Trust-Region Framework for Noisy Bayesian Optimization

• arxiv url: http://arxiv.org/abs/2610.14338v1
• Date: Fri, 09 Oct 2026 21:29:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 22:04:08.870758
• Title: STREGO: A Scalable Implementation of a Trust-Region Framework for Noisy Bayesian Optimization
• Title（参考訳）: STREGO: ノイズベイズ最適化のための信頼度フレームワークのスケーラブル実装
• Abstract要約: まずTREGOをノイズBOのための信頼領域フレームワークに一般化する。 次に、このフレームワークのスケーラブルな実装であるSTREGOを提案する。 STREGOは、TREGO、TURBO、BAXUS、NSMA-BOと4ドルから124ドル(約1万4000円)の合成と現実の問題をノイズなしで比較する。
• 参考スコア（独自算出の注目度）: 0.4433169165028139
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: TREGO, a trust-region Bayesian optimization (BO) method for expensive blackbox problems, has convergence guarantees, but only for exact function values. In high dimension, its performance tends to deteriorate. This paper asks whether a trust-region BO method can be extended to handle noisy evaluations while being competitive in high dimension. We first generalize TREGO into a trust-region framework for noisy BO and extend its convergence analysis to noisy function estimates that are sufficiently accurate with sufficiently high probability. We then propose STREGO, a scalable implementation of this framework. Its global phase selects a batch of candidates by solving a bi-objective problem on the posterior mean of a Gaussian process and the integrated variance reduction. Unlike the predictive variance, this second objective does not favor boundary points merely because they are far from the data. Its local phase minimizes the posterior mean of a second Gaussian process, trained only on points close to the incumbent. STREGO is compared with TREGO, TURBO, BAXUS and NSMA-BO on synthetic and real-world problems of dimension $4$ to $124$, with and without noise. It gives the best average results in every synthetic setting tested and the best or tied-best solution on four of the six real-world problems. An implementation of STREGO is available at https://github.com/Mayousk/STREGO.
• Abstract（参考訳）: 高価なブラックボックス問題に対する信頼領域ベイズ最適化(BO)手法であるTREGOには収束保証があるが、正確な関数値に限られる。 高次元では、その性能は劣化する傾向がある。 本稿では,高次元で競合しながら騒音評価に対処するために,信頼領域BO法を拡張できるかどうかを問う。 まず、TREGOをノイズBOのための信頼領域フレームワークに一般化し、その収束解析を十分高い確率で十分正確である雑音関数推定まで拡張する。 次に、このフレームワークのスケーラブルな実装であるSTREGOを提案する。 その大域的な位相は、ガウス過程の後方平均における双対象問題と統合分散還元を解くことによって、候補のバッチを選択する。 予測的分散とは異なり、この第2の目的は、データから遠くないからといって境界点を好まない。 その局所位相は第2ガウス過程の後方平均を最小化し、既存の点に近い点でしか訓練されない。 STREGOは、TREGO、TURBO、BAXUS、NSMA-BOと4ドルから124ドル(約1万4000円)の合成と現実の問題をノイズなしで比較する。 テストされたすべての合成条件において最高の平均結果を与え、実際の6つの問題のうち4つの問題に対して最良の、または最も結びついたベストな解を与える。 STREGOの実装はhttps://github.com/Mayousk/STREGOで公開されている。

関連論文リスト

• No-Regret Bayesian Optimization with Finite-Library Input-Warped Kernels [1.2432856108679675]
  本研究では,有限個のスムーズな入力マップのライブラリから履歴に依存したルールでワープを選択するFLIWBO(Finite-Library Input-Warped Bayesian Optimization)を提案する。 高確率収束保証を維持しながら、入力幾何学に適応して学習を加速する。 制御された診断は、有限自由度ワープ修復が幾何ミスマッチを植え付け、FLIWBO故障例を同定したことを示している。
  論文  参考訳（メタデータ） (2026-09-02T16:04:07Z)
• Adaptive $k$ Nearest Neighbors Classifier via Granular Ball Computing [60.23863579199315]
  k$-Nearest Neighbor(KNN)アルゴリズムは様々なタスクで広く使われている。 本稿では,粒度計算による適応的かつ効率的なKNN手法を提案する。
  論文  参考訳（メタデータ） (2026-08-13T07:39:46Z)
• Bi-Sparse Unsupervised Feature Selection [9.541908550559361]
  両スパースPCA解析のための統合フレームワークBSUFSを提案する。 本稿では,BSUFSが合成および実世界のデータセットに与える影響について述べる。 その結果、選択における双スパース最適化の利点を明らかにし、画像処理における他の分野の可能性を示した。
  論文  参考訳（メタデータ） (2024-12-22T01:43:58Z)
• A Trust-Region Algorithm for Noisy Equality Constrained Optimization [0.18416014644193066]
  本稿では,雑音関数と勾配評価によって生じる課題に対処するために,改良されたByrd-Omojokun(BO)信頼領域アルゴリズムを提案する。 元来のBO法は、等式制約付き問題を解くために設計され、大規模な制約付き最適化のための内部点法のバックボーンを形成する。
  論文  参考訳（メタデータ） (2024-11-04T23:04:03Z)
• Fully Stochastic Trust-Region Sequential Quadratic Programming for Equality-Constrained Optimization Problems [62.83783246648714]
  目的と決定論的等式制約による非線形最適化問題を解くために,逐次2次プログラミングアルゴリズム(TR-StoSQP)を提案する。 アルゴリズムは信頼領域半径を適応的に選択し、既存の直線探索StoSQP方式と比較して不確定なヘッセン行列を利用することができる。
  論文  参考訳（メタデータ） (2022-11-29T05:52:17Z)
• MBORE: Multi-objective Bayesian Optimisation by Density-Ratio Estimation [0.01652719262940403]
  最適化問題は、しばしば計算的に、あるいは金銭的にコストがかかる複数の矛盾する目標を持つ。 単代理ベイズ最適化(BO)は、そのようなブラックボックス関数を最適化するための一般的なモデルベースのアプローチである。 BOREによるBOの先行研究を多目的設定に拡張する。
  論文  参考訳（メタデータ） (2022-03-31T09:27:59Z)
• Bayesian Optimistic Optimisation with Exponentially Decaying Regret [58.02542541410322]
  現在の実用的なBOアルゴリズムは、$mathcalO(fraclogNsqrtN)$から$mathcalO(e-sqrtN)$まで、$N$は評価の数である。 本稿では,boと木に基づく楽観的楽観化の概念を絡み合うことにより,無音環境における後悔を改善できる可能性について検討する。 次数$mathcal O(N-sqrt)で指数的再帰を達成できる最初の実践的手法であるBOOアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T13:07:44Z)
• TREGO: a Trust-Region Framework for Efficient Global Optimization [63.995130144110156]
  信頼領域型EGO法(TREGO)の提案と解析を行う。 TREGOは、信頼領域内の通常のEGOステップとローカルステップを交互に使用する。 我々のアルゴリズムは、最適化ステップのサブセットのみのために、EGOから離脱しながら、強いグローバル収束特性を享受する。
  論文  参考訳（メタデータ） (2021-01-18T00:14:40Z)
• Large-Scale Methods for Distributionally Robust Optimization [53.98643772533416]
  我々のアルゴリズムは、トレーニングセットのサイズとパラメータの数によらず、多くの評価勾配を必要とすることを証明している。 MNIST と ImageNet の実験により,本手法の 9-36 倍の効率性を持つアルゴリズムの理論的スケーリングが確認された。
  論文  参考訳（メタデータ） (2020-10-12T17:41:44Z)
• Least Squares Regression with Markovian Data: Fundamental Limits and Algorithms [69.45237691598774]
  マルコフ連鎖からデータポイントが依存しサンプリングされる最小二乗線形回帰問題について検討する。 この問題を$tau_mathsfmix$という観点から、鋭い情報理論のミニマックス下限を確立する。 本稿では,経験的リプレイに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-16T04:26:50Z)

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。