論文の概要: Generative Models as Adaptive Trust Regions for Discrete Bayesian Optimisation

• arxiv url: http://arxiv.org/abs/2610.16992v1
• Date: Mon, 12 Oct 2026 15:44:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 03:50:21.839253
• Title: Generative Models as Adaptive Trust Regions for Discrete Bayesian Optimisation
• Title（参考訳）: 離散ベイズ最適化のための適応的信頼領域としての生成モデル
• Abstract要約: 我々はGenTuRBOを導入し、信頼領域を事前訓練されたジェネレータによって定義された適応的にスケールされた提案分布に置き換える。 GenTuRBOは3つの領域にまたがって強く働き、エルリッヒ列の最適化とソコバンのコーディネートにおける最高スコアを達成している。
• 参考スコア（独自算出の注目度）: 9.908255188715279
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian optimisation (BO) is a powerful framework for sample-efficient optimisation of expensive black-box functions, but its application to high-dimensional discrete scientific design remains challenging. Local trust-region BO methods such as TuRBO address high dimensionality by restricting search to adaptively sized neighbourhoods. However, a direct discrete analogue based on edit distance can be poorly suited to structured discrete objects: neighbourhoods grow combinatorially, and metric proximity does not capture the dependencies that determine whether a design is plausible or useful. Motivated by the growing availability of pretrained generative models, we introduce GenTuRBO, which replaces the geometric trust region with an adaptively scaled proposal distribution defined by a pretrained generator. The generator provides a learned prior over discrete transformations, encoding coordinated changes without explicitly enumerating edit-distance neighbourhoods. GenTuRBO performs strongly across all three domains and achieves the highest mean final scores on Ehrlich sequence optimisation and Sokoban coordination.
• Abstract（参考訳）: ベイズ最適化(BO)は高価なブラックボックス関数のサンプル効率最適化のための強力なフレームワークであるが、高次元の離散的科学設計への応用は依然として困難である。 TuRBOのような地域信頼領域BO法は、適応的な大きさの地区への探索を制限することで高次元性に対処する。 しかし、編集距離に基づく直接離散アナログは、構造化された離散オブジェクトにはあまり適さない:近傍は組合せ的に成長し、メートル法的近接性は設計が妥当か有用かを決定する依存関係を捉えない。 事前学習された生成モデルの可用性の向上により,幾何的信頼領域を適応的にスケールした提案分布に置き換えるGenTuRBOを導入する。 ジェネレータは離散変換よりも学習した事前情報を提供し、編集距離近傍を明示的に列挙することなくコーディネートされた変更を符号化する。 GenTuRBOは3つの領域にまたがって強く働き、エルリッヒ列の最適化とソコバンのコーディネートにおいて最も平均的な最終スコアを達成している。

関連論文リスト

• Bayesian optimization with kernel ensembles and disagreement-based acquisition for source localization and acoustic inversion [12.760068476185504]
  共同音源定位とジオアコースティック・インバージョンは、高価なノーマルモード伝搬モデルから構築された目的を最適化する必要がある。 我々は、異なるカーネルファミリーを持つGPの重み付けアンサンブルを用いて、観測対象に前もって1つのカーネルにコミットすることなく適応する。 SWellEx-96データのシミュレーションおよび測定実験により, 得られた手法が最下位の目標を達成することが示された。
  論文  参考訳（メタデータ） (2026-09-13T03:52:00Z)
• Curvature-Aware Radius Shrinkage for Adaptive Nearest Neighbor Classification [52.452902154360565]
  CARSANNは、局所的な幾何学的複雑さに応じて各地区の空間的支持を適応する幾何学駆動のフレームワークである。 70以上の実世界のOpenMLデータセットの実験は、CARSANNが標準の$k$-NNで一貫して改善されていることを示している。
  論文  参考訳（メタデータ） (2026-08-27T19:19:07Z)
• Geometry-Aware Dataset Condensation for Diffusion Model Training [103.45641113998839]
  幾何学的分布アライメント問題として,実部分集合選択を再構成することを提案する。 本手法は,一方的な部分的最適輸送を組み込むことで,コンパクトな部分集合を全データ分布に選択的に整列させる。 拡散変形, 部分集合サイズ, 画像解像度, 訓練ラウンドにおける実験により, 本手法が優れた忠実度と分布範囲を実現することを示す。
  論文  参考訳（メタデータ） (2026-06-04T08:53:58Z)
• Variational Bayesian Flow Network for Graph Generation [54.94088904387278]
  グラフ生成のための変分ベイズフローネットワーク(VBFN)を提案する。 VBFNは、構造化精度で支配されるトラクタブルジョイントガウス変分信念ファミリーに対して変分リフトを行う。 合成グラフと分子グラフのデータセットでは、VBFNは忠実度と多様性を改善し、ベースライン法を超えている。
  論文  参考訳（メタデータ） (2026-01-30T03:59:38Z)
• Return of the Latent Space COWBOYS: Re-thinking the use of VAEs for Bayesian Optimisation of Structured Spaces [13.38402522324075]
  本稿では、生成モデルとガウス過程(GP)を個別にシュロゲートし、単純だが原理化されたベイズ更新規則を介してそれらを結合する分離されたアプローチを提案する。 我々は, 分子最適化問題における高ポテンシャル候補を制約評価予算下で同定する能力を, 分離した手法により向上することを示した。
  論文  参考訳（メタデータ） (2025-07-05T05:53:04Z)
• EmbodiedOcc++: Boosting Embodied 3D Occupancy Prediction with Plane Regularization and Uncertainty Sampler [43.277357306520145]
  本稿では,EmbodiedOcc++を紹介する。 Geometry-Guided Refinement Module (GRM) は、SUS(Semantic-Aware Uncertainty Sampler)とともに平面正規化によるガウス的更新を制約する EmbodiedOcc-ScanNetベンチマークの実験は、EmbodiedOccがさまざまな設定で最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-04-13T12:10:49Z)
• Regularized Adaptive Momentum Dual Averaging with an Efficient Inexact Subproblem Solver for Training Structured Neural Network [9.48424754175943]
  本稿では、構造化ニューラルネットワークのトレーニングのための正規化適応モーメントデュアル平均化(RAMDA)を提案する。 定常収束点における正則化器によって誘導される理想構造が得られることを示す。 この構造は収束点付近で局所的に最適であるため、RAMDAは可能な限り最高の構造が得られることが保証される。
  論文  参考訳（メタデータ） (2024-03-21T13:43:49Z)
• 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)
• Tree ensemble kernels for Bayesian optimization with known constraints over mixed-feature spaces [54.58348769621782]
  木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。 ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。 我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-02T16:59:37Z)
• Semantic Segmentation by Early Region Proxy [53.594035639400616]
  本稿では,学習可能な領域のテッセルレーションとしてイメージを解釈することから始まる,新規で効率的なモデリングについて述べる。 領域のコンテキストをモデル化するために,Transformerを用いてシーケンス・ツー・シーケンス方式で領域を符号化する。 現在、符号化された領域埋め込みの上に、領域ごとのセマンティックセグメンテーションを行う。
  論文  参考訳（メタデータ） (2022-03-26T10:48:32Z)

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。