論文の概要: Exploration strategies for Gaussian process bandit optimization with inference regret guarantees

• arxiv url: http://arxiv.org/abs/2610.16187v1
• Date: Mon, 12 Oct 2026 05:08:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 07:11:00.019838
• Title: Exploration strategies for Gaussian process bandit optimization with inference regret guarantees
• Title（参考訳）: 推論後悔保証を用いたガウス過程帯域最適化の探索戦略
• Abstract要約: ベイズ最適化の既存の累積的後悔保証は、必ずしもアルゴリズムの最終出力の品質を特徴づけるとは限らない。 取得クエリを探索クエリに置き換えることで,BO手順に組み込むことのできる効率的な探索戦略を導入する。 我々は、アルゴリズムの返却点における大域的最適値と関数値とのギャップという、推論後悔の上限を導出する。
• 参考スコア（独自算出の注目度）: 5.6364711179567095
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing cumulative regret guarantees for Bayesian optimization (BO) do not necessarily characterize the quality of the algorithm's final output. This gap is critical under noisy evaluations, where the goal is to return a single high-quality recommendation. To address it, we introduce efficient exploration strategies that can be incorporated into any BO procedure by occasionally replacing the acquisition query with an exploration query. To validate this approach, we bound the Gaussian process posterior standard deviation over the search space via the fill distance of the queries, which measures the largest region left unexplored. We then use this result to derive upper bounds on the inference regret, i.e., the gap between the global optimum and the function value at the algorithm's returned point. Empirically, these exploration strategies improve the final recommendations of existing BO algorithms on synthetic benchmarks, hyperparameter optimization, and a control task.
• Abstract（参考訳）: ベイズ最適化(BO)の既存の累積的後悔保証は、アルゴリズムの最終出力の品質を必ずしも特徴付けていない。 このギャップは、ノイズの多い評価の下で、単一の高品質なレコメンデーションを返すことを目標としています。 そこで本研究では,取得クエリを探索クエリに置き換えることで,任意のBO手順に組み込むことのできる効率的な探索戦略を提案する。 提案手法の有効性を検証するため,探索空間上のガウス過程の標準偏差をクエリの埋め合わせ距離によって制限した。 次に、この結果を用いて、アルゴリズムの返却点における大域的最適値と関数値とのギャップという、推論後悔の上限を導出する。 実験的に、これらの探索戦略は、合成ベンチマーク、ハイパーパラメータ最適化、制御タスクにおける既存のBOアルゴリズムの最終勧告を改善する。

関連論文リスト

• Bandits attack function optimization [30.108594392153744]
  本稿では,この最適化問題に対処するマルチアームバンディット問題の連続バージョンに着想を得たアルゴリズムについて考察する。 ドメイン分割による決定論的アルゴリズムである同時最適化(SOO)を導入する。 本稿では,CEC'2014 コンペティションにおける SOO の実証評価を行い,機械学習による最適化手法を提案する。
  論文  参考訳（メタデータ） (2026-05-05T08:33:44Z)
• Enhancing Gaussian Process Surrogates for Optimization and Posterior Approximation via Random Exploration [2.984929040246293]
  ガウス過程シュロゲートモデルの精度を高めるために、ランダムな探索ステップに依存する新しいノイズフリーベイズ最適化戦略。 新しいアルゴリズムは、古典的なGP-UCBの実装の容易さを維持しているが、さらなる探索がそれらの収束を促進する。
  論文  参考訳（メタデータ） (2024-01-30T14:16:06Z)
• Random Exploration in Bayesian Optimization: Order-Optimal Regret and Computational Efficiency [18.17090625880964]
  本研究では,分布から引き出されたランダムサンプルを用いて領域を探索する手法について検討する。 このランダム探索手法が最適誤差率を達成することを示す。
  論文  参考訳（メタデータ） (2023-10-23T20:30:44Z)
• 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)
• Regret Bounds for Expected Improvement Algorithms in Gaussian Process Bandit Optimization [63.8557841188626]
  期待されている改善(EI)アルゴリズムは、不確実性の下で最適化するための最も一般的な戦略の1つである。 本稿では,GP予測平均を通した標準既存値を持つEIの変種を提案する。 我々のアルゴリズムは収束し、$mathcal O(gamma_TsqrtT)$の累積後悔境界を達成することを示す。
  論文  参考訳（メタデータ） (2022-03-15T13:17:53Z)
• An Asymptotically Optimal Primal-Dual Incremental Algorithm for Contextual Linear Bandits [129.1029690825929]
  複数の次元に沿った最先端技術を改善する新しいアルゴリズムを提案する。 非文脈線形帯域の特別な場合において、学習地平線に対して最小限の最適性を確立する。
  論文  参考訳（メタデータ） (2020-10-23T09:12:47Z)
• Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
  本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。 最先端アルゴリズムの利点を論じ、解説する。
  論文  参考訳（メタデータ） (2020-09-28T15:22:24Z)
• Sub-linear Regret Bounds for Bayesian Optimisation in Unknown Search Spaces [63.22864716473051]
  本稿では,反復により探索空間を拡大(およびシフト)する新しいBOアルゴリズムを提案する。 理論的には、どちらのアルゴリズムにおいても、累積的後悔は線形以下の速度で増大する。
  論文  参考訳（メタデータ） (2020-09-05T14:24:40Z)

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。