論文の概要: Robust Active Learning for More Efficient and Reliable Paths to Optimal Design

• arxiv url: http://arxiv.org/abs/2610.38582v1
• Date: Wed, 28 Oct 2026 10:11:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.393108
• Title: Robust Active Learning for More Efficient and Reliable Paths to Optimal Design
• Title（参考訳）: 最適設計のためのより効率的で信頼性の高い経路のためのロバスト能動学習
• Abstract要約: MF-CASは、計算コストとともに、高忠実度の不確実性への各フィデリティの寄与を利用する。 MF-CASは、ベストベースライン法では6.7%に比べて、約9.0%の耐性低下を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulation-driven design optimization requires active learning strategies that efficiently combine models with different computational costs and levels of fidelity. We introduce Multifidelity Cost-Aware Screening (MF-CAS), which enables the joint selection of sampling location and fidelity using a surrogate that provides decomposed uncertainty intervals rather than a complete predictive probability distribution. MF-CAS exploits the contribution of each fidelity to the high-fidelity uncertainty together with its computational cost to determine whether a candidate should first be evaluated at low fidelity or directly progressed towards high fidelity. The method is assessed on the constrained 14-dimensional hydrodynamic optimization of the DTMB 5415 hull under a deliberately limited computational budget. MF-CAS achieves an approximately 9.0% resistance reduction, compared with 6.7% for the best baseline optimisation method, demonstrating that incorporating fidelity-resolved uncertainty directly into the joint location-fidelity decision can substantially improve multifidelity active learning efficiency.
• Abstract（参考訳）: シミュレーション駆動設計最適化は、異なる計算コストと忠実度レベルを持つモデルを効率的に組み合わせるアクティブな学習戦略を必要とする。 我々は,完全予測確率分布ではなく,分解された不確実区間を提供するサロゲートを用いて,サンプリング位置と忠実度を共同で選択できるMF-CAS(Multifidelity Cost-Aware Screening)を導入する。 MF-CASは、その計算コストとともに、各忠実度が高忠実度の不確かさに寄与することを利用して、まず候補者を低い忠実度で評価するか、あるいは直接高い忠実度に進むべきかを決定する。 DTMB 5415船体の14次元流体力学的最適化を、意図的に制限された計算予算の下で評価する。 MF-CASは、最良のベースライン最適化法では6.7%に比べて、約9.0%の抵抗低減を実現し、連接位置-忠実度決定に直接不確かさを組み込むことで、多要素能動学習効率が大幅に向上することを示した。

関連論文リスト

• Governed Human-AI Prioritization Under Uncertainty: Adaptive Estimation and Dependency-Constrained Portfolio Selection [0.0]
  AIネイティブなソフトウェアエンジニアリングは、人間の判断、過去のアナロジー、パラメトリック推定、AI生成予測を、同じ優先順位決定の中で組み合わさりつつある。 ビジネスバリュースコア(BVS)、Effort and Risk Score(ERS)、優先順位付け値スコア(PVS)、集合スコア(CCS)、最適開発パス(ODP)の5つの量演算子について検討する。
  論文  参考訳（メタデータ） (2026-09-09T14:04:37Z)
• Multi-fidelity approaches for general constrained Bayesian optimization with application to aircraft design [0.34998703934432673]
  目的と制約の両方から情報を取り入れることで、最適性を損なうことなく、計算コストをさらに削減できることを示す。 提案手法を用いることで,予算に制限のある制約準拠のソリューションを86%から200%に削減できることを示す。
  論文  参考訳（メタデータ） (2026-03-30T20:36:13Z)
• Optimization-Embedded Active Multi-Fidelity Surrogate Learning for Multi-Condition Airfoil Shape Optimization [0.0]
  多条件翼形状最適化のための能動多面体代理モデルを開発した。 このフレームワークは、不確実性トリガーサンプリングと同期エリート性規則と、低忠実性インフォームドガウスプロセス回帰転送モデルとを結合する。 最適化された設計により、クルーズ効率は41.05%向上し、離陸リフトは最高の第1世代と比較して20.75%向上した。
  論文  参考訳（メタデータ） (2026-03-17T18:43:11Z)
• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• Not All Preferences Are Created Equal: Stability-Aware and Gradient-Efficient Alignment for Reasoning Models [52.48582333951919]
  ポリシー更新の信号対雑音比を最大化することにより、アライメントの信頼性を高めるために設計された動的フレームワークを提案する。 SAGE(Stability-Aware Gradient Efficiency)は、モデル能力に基づいて候補プールをリフレッシュする粗いきめ細かいカリキュラムメカニズムを統合する。 複数の数学的推論ベンチマークの実験により、SAGEは収束を著しく加速し、静的ベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2026-02-01T12:56:10Z)
• Multi-Objective Multi-Fidelity Bayesian Optimization with Causal Priors [13.649714557575178]
  本稿では,因果計算を取り入れた多目的MFBO手法であるRESCUEを提案する。 ロボット工学、機械学習(AutoML)、医療における合成および実世界の問題に対する最先端のMF最適化手法よりも、RESCUEはサンプル効率を向上することを示す。
  論文  参考訳（メタデータ） (2026-01-31T15:53:22Z)
• TCPO: Thought-Centric Preference Optimization for Effective Embodied Decision-making [75.29820290660065]
  本稿では,効果的な具体的意思決定のための思考中心推論最適化(TCPO)を提案する。 モデルの中間的推論プロセスの整合性を強調し、モデル劣化の問題を緩和する。 ALFWorld環境での実験では、平均成功率は26.67%であり、RL4VLMよりも6%向上している。
  論文  参考訳（メタデータ） (2025-09-10T11:16:21Z)
• Hierarchical Budget Policy Optimization for Adaptive Reasoning [49.621779447691665]
  階層的予算政策最適化(Hierarchical Budget Policy Optimization, HBPO)は、モデルが問題固有の推論深度を犠牲にすることなく学習できる強化学習フレームワークである。 HBPOは、探索空間を予算制約付き階層(512-2560トークン)に分割する。 大規模な実験により、HBPOは平均トークン使用量を最大60.6%削減し、4つの推論ベンチマークで精度を3.14%改善した。
  論文  参考訳（メタデータ） (2025-07-21T17:52:34Z)
• Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
  強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。 大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。 統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
  論文  参考訳（メタデータ） (2025-05-13T16:47:00Z)
• UniCBE: An Uniformity-driven Comparing Based Evaluation Framework with Unified Multi-Objective Optimization [19.673388630963807]
  統一統一性駆動型CBEフレームワークUniCBEを提案する。 AlpacaEvalベンチマークでは、UniCBEは評価予算の17%以上を削減し、Pearsonと地上の真実との相関は0.995を超えている。 新しいモデルが継続的に導入されるシナリオでは、UniCBEは評価コストの50%以上を節約できる。
  論文  参考訳（メタデータ） (2025-02-17T05:28:12Z)
• Reward-Guided Speculative Decoding for Efficient LLM Reasoning [80.55186052123196]
  Reward-Guided Speculative Decoding (RSD)は,大規模言語モデル(LLM)における推論の効率向上を目的とした新しいフレームワークである。 RSDは、厳密な偏りを強制する既存の投機的復号法とは対照的に、制御されたバイアスをハイリワード出力の優先順位付けに取り入れている。 RSDは,対象モデルのみでの復号化に対して,高い効率向上を実現し,並列復号法よりも高い精度を実現している。
  論文  参考訳（メタデータ） (2025-01-31T17:19:57Z)

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。