抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
最適化問題は,計算および/または財政的に高価である複数の矛盾する目的を持つことが多い。モノサロゲートBayes最適化(BO)は,こ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アプローチである。それは,スカラー化を通して客観的値を結合して,スカラー化値のGauss過程(GP)代理を構築する。安心取得機能を最大化する位置は,高価に評価するための次の位置として選ばれる。BOは有効な戦略であるが,GPの使用は限界である。それらの性能は,問題入力次元が増加するにつれて減少し,それらの計算複雑度は,データ量とともに立方的にスケールする。これらの限界に対処するために,著者らは,多目的設定に対する密度比推定(BORE)によるBOに関する以前の研究を拡張した。BOREは,確率的分類のものに改善取得関数の確率の計算をリンクする。これはBO様フレームワークにおける最先端の分類器の使用を可能にする。本研究では,MBORE:密度比推定による多目的Bayes最適化を提示し,それを合成および実世界ベンチマークの範囲にわたってBOと比較する。MBOREは,多様な問題でBOよりも,また,より良く機能し,高次元および実世界問題でBOより優れていることを見出した。【JST・京大機械翻訳】