論文の概要: In-Context Batch Black-box Optimization via Flow Matching

• arxiv url: http://arxiv.org/abs/2610.20138v1
• Date: Wed, 14 Oct 2026 12:55:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.162598
• Title: In-Context Batch Black-box Optimization via Flow Matching
• Title（参考訳）: フローマッチングによるインコンテキストバッチブラックボックス最適化
• Abstract要約: バッチブラックボックスの最適化は、多くの候補を並列に評価できる高価なシステムにおいて重要である。 本稿では,Thompson-Sampling Refinement (FMTR) のためのフローマッチングについて紹介する。 FMTRは、バッチBOと実世界のベンチマークのコンテキスト内ベースラインに対して高い性能を実現し、バッチ選択の計算コストを大幅に削減する。
• 参考スコア（独自算出の注目度）: 25.717083372239397
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Batch black-box optimization is important for expensive systems where many candidates can be evaluated in parallel, yet only a few rounds of evaluation are affordable. In this regime, effective batch construction must identify multiple promising regions while avoiding redundant evaluations, and conventional Bayesian optimization can require increasingly difficult batch-selection procedures as the batch size grows. We introduce Flow Matching for Thompson-Sampling Refinement (FMTR), an amortized approach that learns offline a continuous, history-conditioned proposal distribution from which variable-size batches can be sampled. FMTR is trained offline by conditional flow matching on Thompson-sampling argmaxes refined toward high-value regions via a horizon-dependent Langevin pushforward map, adapting the exploration-exploitation tradeoff over the optimization horizon. At test time, the model parameters remain fixed and batch generation requires neither task-specific surrogate refitting nor numerical acquisition optimization. FMTR achieves strong performance against batch BO and in-context baselines on synthetic and real-world benchmarks, while substantially reducing the computational cost of batch selection.
• Abstract（参考訳）: バッチブラックボックスの最適化は、多くの候補を並列に評価できる高価なシステムにおいて重要である。 この体制では、効率的なバッチ構築は冗長な評価を避けながら複数の有望な領域を特定する必要があり、バッチサイズが大きくなるにつれて、従来のベイズ最適化はますます困難なバッチ選択手順を必要とする。 本稿では,Thompson-Sampling Refinement (FMTR) のためのフローマッチングについて紹介する。 FMTRは、水平方向依存のランゲヴィンプッシュフォワードマップを通じて高値領域に向けて精製されたトンプソンサンプリングargmaxの条件流マッチングによりオフラインで訓練され、最適地平線上での探索・探索トレードオフに適応する。 テスト時にはモデルパラメータは固定され、バッチ生成ではタスク固有のサロゲートリフィットや数値取得の最適化は不要である。 FMTRは、バッチBOと実世界のベンチマークのコンテキスト内ベースラインに対して高い性能を実現し、バッチ選択の計算コストを大幅に削減する。

関連論文リスト

• IQS-BO: In-Context Query Selection for Bayesian Optimisation [2.7214777196418645]
  そこで本研究では,PFN である IQS-BO を提案する。 提案手法は,買収手法のコストのごく一部でクエリを提案する。 この事前トレーニングによってパフォーマンスが向上する可能性があることを示す。
  論文  参考訳（メタデータ） (2026-10-01T08:09:08Z)
• Utility-Diversity Aware Online Batch Selection for LLM Supervised Fine-tuning [49.04912820721943]
  Supervised Fine-tuning (SFT) は計算コストが高く、時にはオーバーフィットやバイアス増幅に悩まされる。 本研究は、トレーニングプロセス中にサンプルを動的にスコア付け、フィルタリングするオンラインバッチ選択ファミリについて研究する。 SFTにおける効率的なオンラインバッチ選択のためのフレームワークである textbfUDS (Utility-Diversity Sampling) を開発した。
  論文  参考訳（メタデータ） (2025-10-19T15:32:01Z)
• Can Prompt Difficulty be Online Predicted for Accelerating RL Finetuning of Reasoning Models? [65.18157595903124]
  本研究では任意のプロンプトの反復的近似評価について検討する。 Model Predictive Prompt Selection (MoPPS)はベイズにおけるリスク予測フレームワークである。 MoPPSは迅速な困難を確実に予測し、ロールアウトを大幅に削減したトレーニングを加速する。
  論文  参考訳（メタデータ） (2025-07-07T03:20:52Z)
• TETRIS: Optimal Draft Token Selection for Batch Speculative Decoding [76.23719557942917]
  TETRISは、(バッチ内のすべてのリクエストに対して)最も有望なドラフトトークンを積極的に選択する。 我々は,TETRISがベースライン投機的復号法およびドラフトトークンを動的に選択する既存手法より優れていることを理論的かつ実証的に示す。
  論文  参考訳（メタデータ） (2025-02-21T04:19:24Z)
• 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)
• 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)
• A portfolio approach to massively parallel Bayesian optimization [0.0]
  最適化研究の実施時間を短縮する1つの方法は、一度に1度ではなく、設計を評価することである。 高価なブラックボックスに対しては、ベイズ最適化のバッチバージョンが提案されている。 これらの実験は、類似またはより良い性能を持つ既存手法に比べて、桁違いの速度向上を示す。
  論文  参考訳（メタデータ） (2021-10-18T14:02:21Z)
• Parallel Predictive Entropy Search for Multi-objective Bayesian Optimization with Constraints [0.0]
  実世界の問題は、しばしば複数の制約の下で複数の目的を最適化する。 本稿では,ブラックボックス関数の同時最適化のための情報ベースバッチ手法であるPESMOCを紹介する。 繰り返して、PESMOCはブラックボックスを評価するための入力場所のバッチを選択する。
  論文  参考訳（メタデータ） (2020-04-01T17:37:58Z)

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。