論文の概要: Large-Scale Bayesian Optimisation Using Uncertainty-Calibrated Product-of-Experts Gaussian Process Models with Trust Regions

• arxiv url: http://arxiv.org/abs/2611.01984v1
• Date: Sun, 01 Nov 2026 15:20:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-12 13:38:49.095175
• Title: Large-Scale Bayesian Optimisation Using Uncertainty-Calibrated Product-of-Experts Gaussian Process Models with Trust Regions
• Title（参考訳）: 不確かさキャリブレーションによる信頼領域を持つガウス過程モデルによる大規模ベイズ最適化
• Abstract要約: 本稿では,BO-pro-c-trと呼ばれる新しいBOアルゴリズムを提案する。 GP-LCB取得関数と組み合わせると、BO-pro-c-trは単純な後悔で平均2.6%の減少を達成する。
• 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: The use of collections of independent local Gaussian processes (GP-ind) combined with trust regions is a widely adopted approach for large-scale and high-dimensional Bayesian optimisation (BO). However, this approach suffers from several limitations, including discontinuities at the boundaries of disjoint regions, an inability to capture long-range spatial correlations, potential information loss, and abrupt increases in computational overhead. To address these limitations, this paper introduces a novel BO algorithm, termed BO-pro-c-tr. The proposed method employs a product-of-experts Gaussian process model with uncertainty calibration (GP-pro-c) as its surrogate model and incorporates a one-to-many association strategy for integrating GP-pro-c with trust regions. Empirical results suggest that, when combined with the GP-LCB acquisition function, BO-pro-c-tr achieves an average reduction of 2.6% in simple regret and 34.9% in computational overhead relative to BO algorithms based on independent local GP models coupled with trust regions.
• Abstract（参考訳）: 信頼領域と組み合わせた独立した局所ガウス過程(GP-ind)の集合の利用は、大規模かつ高次元のベイズ最適化(BO)に対して広く採用されているアプローチである。 しかし、このアプローチには、不連続領域の境界における不連続性、長距離空間相関を捕捉できないこと、潜在的な情報損失、計算オーバーヘッドの急激な増加など、いくつかの制限がある。 そこで本研究では,BO-pro-c-trと呼ばれる新しいBOアルゴリズムを提案する。 提案手法では,不確実性キャリブレーション(GP-pro-c)をサロゲートモデルとして,GP-pro-cを信頼領域に統合するための一対多のアソシエーション戦略を取り入れた。 実験の結果、GP-LCB取得関数と組み合わせると、BO-pro-c-trは単純な後悔で平均2.6%、信頼領域と結合した独立した局所GPモデルに基づくBOアルゴリズムと比較して計算オーバーヘッドが34.9%減少することがわかった。

関連論文リスト

• Gaussian Process Bandits for Constraint Black Box Lever Optimization [2.3819513959620298]
  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。
  論文  参考訳（メタデータ） (2026-10-27T09:59:09Z)
• Bayesian Optimisation Using Product-of-Experts Gaussian Process Models with Uncertainty Calibration [0.0]
  本稿では,GP-pro-cを代理モデルとして用いたベイズ最適化アルゴリズムBO-pro-cを紹介する。 実験結果からBO-pro-cは競争最適化性能を維持しつつ、簡素な後悔で0.9%の低下を達成することが示唆された。
  論文  参考訳（メタデータ） (2026-09-14T13:37:35Z)
• Information-Based Calibration of Uncertainty Quantification in Product-of-Experts Gaussian Process Models [6.3565351281858495]
  GP-pro(Product-of-experts GP model)は、局所的なGPモデルを組み合わせてグローバルな相関関係を捉える。 本稿では,GP-pro-cを提案する。GP-pro-cは,情報ベース手法を用いて,これらの分散を校正するGPモデルである。 実験の結果、GP-pro-cは非校正GP-proモデルと比較してNLLが2.3%、enceが12.0%減少することがわかった。
  論文  参考訳（メタデータ） (2026-08-29T16:13:35Z)
• LABCAT: Locally adaptive Bayesian optimization using principal-component-aligned trust regions [0.0]
  信頼領域に基づくBOを拡張した LABCAT アルゴリズムを提案する。 このアルゴリズムは、最先端のBOや他のブラックボックス最適化アルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-19T13:56:24Z)
• Provably Efficient UCB-type Algorithms For Learning Predictive State Representations [55.00359893021461]
  逐次決定問題は、予測状態表現(PSR)によってモデル化された低ランク構造が認められる場合、統計的に学習可能である 本稿では,推定モデルと実モデル間の全変動距離を上限とする新しいボーナス項を特徴とする,PSRに対する最初のUCB型アプローチを提案する。 PSRに対する既存のアプローチとは対照的に、UCB型アルゴリズムは計算的トラクタビリティ、最優先の準最適ポリシー、モデルの精度が保証される。
  論文  参考訳（メタデータ） (2023-07-01T18:35:21Z)
• Provably Efficient Bayesian Optimization with Unknown Gaussian Process Hyperparameter Estimation [44.53678257757108]
  目的関数の大域的最適値にサブ線形収束できる新しいBO法を提案する。 本手法では,BOプロセスにランダムなデータポイントを追加するために,マルチアームバンディット法 (EXP3) を用いる。 提案手法は, 様々な合成および実世界の問題に対して, 既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-12T03:35:45Z)
• Posterior and Computational Uncertainty in Gaussian Processes [52.26904059556759]
  ガウスのプロセスはデータセットのサイズとともに違法にスケールする。 多くの近似法が開発されており、必然的に近似誤差を導入している。 この余分な不確実性の原因は、計算が限られているため、近似後部を使用すると完全に無視される。 本研究では,観測された有限個のデータと有限個の計算量の両方から生じる組合せ不確実性を一貫した推定を行う手法の開発を行う。
  論文  参考訳（メタデータ） (2022-05-30T22:16:25Z)
• Misspecified Gaussian Process Bandit Optimization [59.30399661155574]
  カーネル化されたバンディットアルゴリズムは、この問題に対して強い経験的および理論的性能を示した。 本稿では、未知関数を$epsilon$-一様近似で近似できるエンフェミス特定カーネル化帯域設定を、ある再生カーネルヒルベルト空間(RKHS)において有界ノルムを持つ関数で導入する。 提案アルゴリズムは,不特定性に関する事前知識を伴わず,$epsilon$への最適依存を実現する。
  論文  参考訳（メタデータ） (2021-11-09T09:00:02Z)
• Likelihood-Free Inference with Deep Gaussian Processes [70.74203794847344]
  サーロゲートモデルは、シミュレータ評価の回数を減らすために、可能性のない推論に成功している。 本稿では,より不規則な対象分布を扱えるディープガウス過程(DGP)サロゲートモデルを提案する。 本実験は,DGPがマルチモーダル分布を持つ目的関数上でGPよりも優れ,単調な場合と同等の性能を維持できることを示す。
  論文  参考訳（メタデータ） (2020-06-18T14:24:05Z)
• Randomised Gaussian Process Upper Confidence Bound for Bayesian Optimisation [60.93091603232817]
  改良されたガウス過程上信頼境界(GP-UCB)取得関数を開発した。 これは、分布から探索・探索トレードオフパラメータをサンプリングすることによって行われる。 これにより、期待されるトレードオフパラメータが、関数のベイズ的後悔に縛られることなく、問題によりよく適合するように変更できることが証明される。
  論文  参考訳（メタデータ） (2020-06-08T00:28:41Z)

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。