文献

J-GLOBAL ID：202002253552249090   整理番号：20A2032172

主成分分析により支援された高次元Bayes最適化【JST・京大機械翻訳】

High Dimensional Bayesian Optimization Assisted by Principal Component Analysis

著者 (5件)： Raponi Elena (University of Camerino, Camerino, Italy) ,  Wang Hao (Sorbonne Universite, CNRS, LIP6, Paris, France) ,  Bujny Mariusz (Honda Research Institute Europe GmbH, Offenbach am Main, Germany) ,  Boria Simonetta (University of Camerino, Camerino, Italy) ,  Doerr Carola (Sorbonne Universite, CNRS, LIP6, Paris, France)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 12269  ページ： 169-183  発行年： 2020年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： Bayes最適化(BO)は,様々な分野,例えば自動機械学習と設計最適化にうまく適用されている代理支援グローバル最適化技術である。いわゆるインフィル判定基準とGaussプロセス回帰(GPR)で,BO技術は,探索空間の次元が増加するので,実質的な計算量と妨げられた収束速度に悩まされる。高次元最適化問題のためのBOのスケールアップは,挑戦的な課題のままである。本論文では,主成分分析(PCA)とハイブリッド化することによりBOのスケーラビリティに取り組むことを提案し,新しいPCA支援BO(PCA-BO)アルゴリズムをもたらした。具体的には,PCA手続きは,評価点の変動性に従って,実行中のすべての評価点から線形変換を学習し,変換空間における次元を選択する。次に,GPRモデルを構築して,空間におけるインフィル基準を,選択した次元によって広げた。COCOベンチマークフレームワークからのマルチモーダル問題に関する経験的収束速度とCPU時間に関して,PCA-BOの性能を評価する。実験結果は,PCA-BOが高次元問題に関するCPU時間を効果的に減らすことができて,適切なグローバル構造によって問題に関して収束速度を維持することができることを示した。したがって,PCA-BOは,高次元数値最適化におけるBOアプローチの強さから利益を得る,収束速度と計算効率の間の満足なトレードオフを提供する。Copyright Springer Nature Switzerland AG 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *最適化 ,  最適化問題 ,  Gauss過程 ,  計算量 ,  多モード ,  *高次元 ,  *主成分分析 ,  次元縮小 ,  CPU時間 ,  機械学習
準シソーラス用語： 大域的最適化 ,  収束速度 ,  計算効率 ,  設計最適化 , 【Automatic Indexing@JST】

著者キーワード (4件)： Bayes最適化 ,  ブラックボックス最適化 ,  主成分分析 ,  次元縮小

分類 (2件)： 数値計算  (JE02000J) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 主成分分析 ,  支援 ,  高次元 ,  Bayes最適化