論文の概要: Gaussian Process Bandits for Constraint Black Box Lever Optimization

• arxiv url: http://arxiv.org/abs/2610.36935v1
• Date: Tue, 27 Oct 2026 09:59:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-29 04:15:49.253511
• Title: Gaussian Process Bandits for Constraint Black Box Lever Optimization
• Title（参考訳）: 制約付きブラックボックスレバ最適化のためのガウス過程帯域
• Abstract要約: 本論文は, 理論的バンドイット研究と生産規模展開のギャップを埋めるものである。 本研究では,静止環境,ドリフト環境,反応性環境下でのカーネル構成を評価するための高忠実な合成シミュレータを提案する。 実験の結果,GP-UCB法は標準的な$varepsilon$-greedyベースラインに比べて統計的に有意な効率向上をもたらすことが示された。
• 参考スコア（独自算出の注目度）: 2.3819513959620298
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optimizing discrete allocation weights across competing segments of a shared budget is a fundamental challenge in resource-constrained, sequential decision-making environments. In practice, this optimization is often hindered by delayed, noisy, and aggregate feedback, alongside strict operational constraints on how frequently weights can be adjusted. Because of the resulting combinatorial action space and extreme data sparsity, classical multi-armed bandit algorithms that evaluate arms independently are rendered highly inefficient. To overcome these limitations, we propose a segmentation-agnostic approach utilizing Gaussian Process Upper Confidence Bound (GP-UCB) algorithms. By placing a Gaussian Process prior on the reward function, our method effectively shares information across neighboring configurations, drastically reducing the necessary exploration horizon. In this paper, we bridge the gap between theoretical bandit research and production-scale deployment. We first introduce a high-fidelity synthetic simulator to evaluate various kernel configurations under stationary, drifting, and reactive environments, identifying a composite Matérn + Linear kernel as the most robust choice for overcoming local noise and global shifts. Finally, we validate our findings through a large-scale Randomized Controlled Trial (RCT) in a live production environment. Our empirical results demonstrate that the GP-UCB approach delivers a statistically significant efficiency lift compared to a standard $\varepsilon$-greedy baseline, offering a highly practical solution for real-world black-box lever optimization.
• Abstract（参考訳）: リソース制約のあるシーケンシャルな意思決定環境において、共有予算の競合セグメント間での離散的な割り当て重みの最適化は、根本的な課題である。 実際には、この最適化は、重みの調整頻度に関する厳格な運用上の制約に加えて、遅延、ノイズ、集約的なフィードバックによって妨げられることが多い。 結果として生じる組合せ行動空間と極端なデータ空間のため、腕を独立に評価する古典的なマルチアームバンディットアルゴリズムは、非常に非効率にレンダリングされる。 これらの制約を克服するために,ガウス過程上信頼境界(GP-UCB)アルゴリズムを用いたセグメント化に依存しない手法を提案する。 報奨関数に先立ってガウス過程を配置することにより、近隣の配置間で情報を効果的に共有し、必要な探査地平線を劇的に削減する。 本稿では,理論的バンドイット研究と生産規模展開のギャップを埋める。 まず, 定常, ドリフト, 反応性環境下での様々なカーネル構成を評価するための高忠実な合成シミュレータを導入し, 局所雑音とグローバルシフトを克服するための最も堅牢な選択として, 複合Matérn + Linearカーネルを同定した。 最後に,実運用環境における大規模ランダム化制御試験(RCT)により,本研究の成果を検証した。 実験の結果,GP-UCB法は標準的な$\varepsilon$-greedyベースラインに比べて統計的に有意な効率向上を実現し,実世界のブラックボックスレバー最適化に極めて実用的なソリューションを提供することがわかった。

関連論文リスト

• Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
  構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。 グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。 特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
  論文  参考訳（メタデータ） (2026-04-20T16:43:28Z)
• Asymptotically Optimal Linear Best Feasible Arm Identification with Fixed Budget [55.938644481736446]
  本稿では,誤差確率の指数的減衰を保証し,最適な腕識別のための新しいアルゴリズムを提案する。 我々は,複雑性のレベルが異なる様々な問題インスタンスに対する包括的経験的評価を通じて,アルゴリズムの有効性を検証する。
  論文  参考訳（メタデータ） (2025-06-03T02:56:26Z)
• 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)
• Bayesian Optimization by Kernel Regression and Density-based Exploration [15.763320101917074]
  カーネル回帰と密度に基づく探索(BOKE)アルゴリズム。 BOKEは、効率的な関数近似、探索のためのカーネル密度にカーネル回帰を使用し、それらを信頼境界基準に統合して最適化プロセスの導出を行う。 我々は,BOKEがガウス的プロセスベース法や他のベースライン法と競合するだけでなく,計算効率も優れていることを示した。
  論文  参考訳（メタデータ） (2025-02-10T06:16:51Z)
• Vector Optimization with Gaussian Process Bandits [7.049738935364297]
  複数の目的を同時に考慮しなければならない学習問題は、工学、薬物設計、環境管理など、様々な分野においてしばしば発生する。 複数のブラックボックスの目的関数を扱う従来の方法は、目的の選好を取り入れ、それに応じて解空間を探索することに制限がある。 ガウス過程の帯域幅を用いてブラックボックスベクトル最適化を行う適応除去アルゴリズムであるガウス過程を用いたベクトル最適化(VOGP)を提案する。
  論文  参考訳（メタデータ） (2024-12-03T14:47:46Z)
• 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)
• High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
  アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。 非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。 そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
  論文  参考訳（メタデータ） (2021-06-10T17:54:21Z)
• 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)

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。