論文の概要: RaMMOBO: Random Max-Margin Multi-Objective Bayesian Optimization

• arxiv url: http://arxiv.org/abs/2611.00312v1
• Date: Fri, 30 Oct 2026 19:35:27 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:58:20.474917
• Title: RaMMOBO: Random Max-Margin Multi-Objective Bayesian Optimization
• Title（参考訳）: RaMMOBO:Random Max-Margin Multi-Objective Bayesian Optimization
• Abstract要約: マルチオブジェクトベイズ最適化(MOBO)は、高価なブラックボックスの目的を最大化する。 RaMMOBOは、候補のハイパーボリューム改善領域に含まれる最大マージンボックスの体積を測定する。 RaMMOBOは最先端のメソッドにマッチするか、性能を上回り、最大の利益はM$よりも高い。
• 参考スコア（独自算出の注目度）: 4.430815573479319
• License:
• Abstract: Multi-objective Bayesian optimization (MOBO) maximizes $M$ expensive black-box objectives with the goal of approximating the Pareto set, whose objective vectors cannot be improved in one component without sacrificing another. A common quality measure is hypervolume, the volume in objective space dominated by these vectors relative to a reference point. Expected hypervolume improvement (EHVI) directly targets this metric and is one-step Bayes-optimal, but its standard computation scales exponentially with $M$, making it prohibitively expensive for many-objective problems. We introduce random max-margin multi-objective Bayesian optimization (RaMMOBO), whose acquisition function lower-bounds EHVI while requiring only linear cost in $M$ to evaluate. RaMMOBO measures the volume of a max-margin box contained in a candidate's hypervolume-improvement region and averages over random reweightings of the objective space, yielding a utility that is strictly Pareto-monotone on hypervolume-improving outcomes. It naturally handles noisy observations and different probabilistic surrogates and supports efficient gradient-based optimization. Across synthetic and real-world benchmarks, RaMMOBO matches or outperforms state-of-the-art methods, with largest gains at higher $M$, with acquisition optimization up to two orders of magnitude faster than qLogNEHVI. Our implementation is available at https://anonymous.4open.science/r/rammobo.
• Abstract（参考訳）: 多目的ベイズ最適化(MOBO)は、パレート集合を近似することで、他の成分を犠牲にすることなく目的ベクトルを改善できない、高価なブラックボックス目標を最大化する。 一般的な品質測度は超体積であり、対象空間の体積は基準点に対してこれらのベクトルに支配される。 期待されている超体積改善(EHVI)は、この指標を直接対象とし、1ステップのベイズ最適であるが、その標準計算は、M$で指数関数的にスケールし、多目的問題に対して極めて高価である。 ランダムな最大値多重目的ベイズ最適化 (RaMMOBO) を導入し, 取得関数はEHVIよりも低く, 評価には線形コストのみを要した。 RaMMOBOは、候補の超体積改善領域に含まれる最大マージンボックスの体積を測定し、目的空間のランダムな再重み付けを平均化し、超体積改善結果に対して厳密にパレート単調な効用をもたらす。 自然にノイズの多い観測と異なる確率的サロゲートを処理し、効率的な勾配に基づく最適化をサポートする。 合成および実世界のベンチマーク全体において、RaMMOBOは最先端の手法にマッチまたは性能が向上し、取得の最適化はqLogNEHVIよりも最大2桁高速である。 私たちの実装はhttps://anonymous.4open.science/r/rammobo.comで公開されています。

関連論文リスト

• Rethinking Language Model Scaling under Transferable Hypersphere Optimization [67.38433364607897]
  モデル幅、深さ、トレーニングトークン、エキスパート・オブ・エキスパート(MoE)間で最適な学習率を転送する最初のフレームワークであるHyperPを紹介します。 単一のベースレートでHyperPの計算予算をまたいだデータ転送を調整し、強力な Muon ベースラインを 6times1021$ FLOPs で1.58 タイムで達成した。 また、超球面制約から派生したMoEゲーティング機構であるSqrtGateを提案し、MoEの粒度にわたって出力RMSを保存する。
  論文  参考訳（メタデータ） (2026-03-30T17:51:47Z)
• OASI: Objective-Aware Surrogate Initialization for Multi-Objective Bayesian Optimization in TinyML Keyword Spotting [0.0]
  音声アシスタントは、キーワードスポッティング(KWS)を使用して、効率的でプライバシーに優しいアクティベーションを可能にする。 超低消費電力のTinyMLデバイス上で正確なKWSモデルを実現するには、精度とリソース制約の微妙なバランスが必要である。 本稿では,OASI(Objective-Aware Surrogate Initialization)を提案する。
  論文  参考訳（メタデータ） (2025-12-17T17:32:33Z)
• Scalable Min-Max Optimization via Primal-Dual Exact Pareto Optimization [66.51747366239299]
  拡張ラグランジアンに基づくmin-max問題のスムーズな変種を提案する。 提案アルゴリズムは, 段階的戦略よりも目的数で拡張性が高い。
  論文  参考訳（メタデータ） (2025-03-16T11:05:51Z)
• Non-Myopic Multi-Objective Bayesian Optimization [64.31753000439514]
  多目的最適化問題を解くために、有限水平逐次実験設計の問題を考察する。 この問題は、材料設計を含む多くの現実世界の応用で発生する。 我々はMOO問題に対する最初の非ミオピック手法を提案する。
  論文  参考訳（メタデータ） (2024-12-11T04:05:29Z)
• Parallel Multi-Objective Hyperparameter Optimization with Uniform Normalization and Bounded Objectives [5.94867851915494]
  これらの問題に対処する多目的ベイズ最適化(MoBO)アルゴリズムを提案する。 不要な構成の探索を避けるため、目的に制約を課すことで、アプローチの効率を向上する。 最後に、MoBOを並列化するアプローチを活用し、16倍のワーカーを使用する場合、5倍のスピードアップをもたらす。
  論文  参考訳（メタデータ） (2023-09-26T13:48:04Z)
• BOtied: Multi-objective Bayesian optimization with tied multivariate ranks [33.414682601242006]
  本稿では,非支配解と結合累積分布関数の極端量子化との自然な関係を示す。 このリンクにより、我々はPareto対応CDFインジケータと関連する取得関数BOtiedを提案する。 種々の合成および実世界の問題に対する実験により,BOtied は最先端MOBO 取得関数より優れていることが示された。
  論文  参考訳（メタデータ） (2023-06-01T04:50:06Z)
• MBORE: Multi-objective Bayesian Optimisation by Density-Ratio Estimation [0.01652719262940403]
  最適化問題は、しばしば計算的に、あるいは金銭的にコストがかかる複数の矛盾する目標を持つ。 単代理ベイズ最適化(BO)は、そのようなブラックボックス関数を最適化するための一般的なモデルベースのアプローチである。 BOREによるBOの先行研究を多目的設定に拡張する。
  論文  参考訳（メタデータ） (2022-03-31T09:27:59Z)
• Many Objective Bayesian Optimization [0.0]
  マルチオブジェクトベイズ最適化(MOBO)は、ブラックボックスの同時最適化に成功している一連の手法である。 特に、MOBO法は、多目的最適化問題における目的の数が3以上である場合に問題があり、これは多くの目的設定である。 GPが測定値とアルゴリズムの有効性の予測分布を予測できるような,玩具,合成,ベンチマーク,実実験のセットで実証的な証拠を示す。
  論文  参考訳（メタデータ） (2021-07-08T21:57:07Z)
• Random Hypervolume Scalarizations for Provable Multi-Objective Black Box Optimization [8.90548944387431]
  本稿では、$f(x)$が競合する可能性のある目的のベクトルを出力する多目的最適化について考察する。 証明可能な収束保証を伴う多目的最適化プロセスに、任意の証明可能な収束単目的最適化プロセスが、強制的に変換可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-08T15:00:30Z)

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。