多様な探索問題のための情報論的ベイズ最適化の構築と材料科学データでの実践

针对各种搜索问题构建基于信息的贝叶斯优化及其在材料科学数据上的实现

基本信息

批准号：
21H03498
负责人：
烏山昌幸
金额：
$ 11.15万
依托单位：
Nagoya Institute of Technology
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (B)
财政年份：
2021
资助国家：
日本
起止时间：
2021-04-01 至 2025-03-31
项目状态：
未结题

项目摘要

情報論的なマルチフィデリティベイズ最適化について，多次元のエントロピーに基づく拡張を実施し，論文誌NECOで発表した．これは高い信頼性の観測を得る際に，副産物として低い信頼性の情報も得られる場合や，同期的な設定での並列最適化などを含むものである．また，多段階のプロセスを含む実験状況下でのベイズ最適化を扱う方法についても論文誌NECOに発表している．国際学会ICML2023において，ベイズ最適化の代表的アプローチであるガウス過程UCBに関する理論解析及び，比較情報からのベイズ最適化に関する発表を行った．ベイズ最適化とユーザーの好みを反映するHuman-in-the loopを組み合わせる設定についても検討を行った．人の好みの問い合わせを情報論的に利得を評価し，選択的に行うことで効率的な最適化が可能になることを確認した．また，材料科学の雑誌媒体において，ガウス過程モデル及びベイズ最適化の材料科学応用について発表を行っている．さらに，新たに情報論的なアプローチが利点を持ち得る設定としてBiLevel最適化に関する検討を行った．この問題は目的関数の定義に別の最適化問題が含まれるような問題設定であり，本質的に難しい設定であるが，情報論的な利得を定義することで獲得関数が定義でき単純なベースラインを上回る効率が達成されることを確認した．このアプローチは前年度に提案した，制約付き問題に対する情報量の下限に基づく方法を土台にして構築している．

我们对基于多维熵的信息多保真贝叶斯优化进行了扩展，并将其发表在《NECO》杂志上。这包括在获得高度可靠的观测值时也作为副产品获得低可靠性信息的情况，以及同步设置中的并行优化。他还在《NECO》杂志上发表了一种在涉及多步骤过程的实验情况下处理贝叶斯优化的方法。在国际会议ICML2023上，我们提出了高斯过程UCB的理论分析，这是贝叶斯优化的典型方法，并从比较信息中得出贝叶斯优化。我们还考虑了一种结合贝叶斯优化和人机交互的设置，它反映了用户的偏好。我们确认，通过评估基于信息论的个人偏好查询的增益并有选择地执行，可以实现有效的优化。此外，他还在材料科学期刊上发表了高斯过程模型和贝叶斯优化的材料科学应用。此外，我们研究了 BiLevel 优化作为一种新的基于信息的方法可以具有优势的设置。这个问题有一个问题设置，其中目标函数的定义包括另一个优化问题，本质上是困难的，但是通过定义基于信息的增益，可以定义获取函数和一个简单的基我们确认效率超过了线已实现。这种方法建立在去年提出的方法的基础上，该方法基于受限问题的信息下限。

项目成果

期刊论文数量（23）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

Na superionic conductor-type LiZr2(PO4)3 as a promising solid electrolyte for use in all-solid-state Li metal batteries

Na超离子导体型LiZr2(PO4)3作为一种有前景的固体电解质用于全固态锂金属电池

DOI：
10.1039/d2cc01526a
发表时间：
2022
期刊：
影响因子：
4.9
作者：
Nakayama Masanobu;Nakano Koki;Harada Maho;Tanibata Naoto;Takeda Hayami;Noda Yusuke;Kobayashi Ryo;Karasuyama Masayuki;Takeuchi Ichiro;Kotobuki Masashi
通讯作者：
Kotobuki Masashi

Randomized Gaussian Process Upper Confidence Bound with Tight Bayesian Regret Bounds

具有严格贝叶斯遗憾界的随机高斯过程置信上界

DOI：
10.48550/arxiv.2302.01511
发表时间：
2023-02-03
期刊：
ArXiv
影响因子：
0
作者：
Shion Takeno;Yu Inatsu;Masayuki Karasuyama
通讯作者：
Masayuki Karasuyama

Bayesian Optimization for Distributionally Robust Chance-constrained Problem

分布式鲁棒机会约束问题的贝叶斯优化

DOI：
发表时间：
2022
期刊：
影响因子：
0
作者：
Y. Inatsu; S. Takeno; M. Karasuyama;I. Takeuchi
通讯作者：
I. Takeuchi

分布的ロバストな機会制約付き最適化問題に対する能動学習

分布式鲁棒机会约束优化问题的主动学习

DOI：
发表时间：
2021
期刊：
影响因子：
0
作者：
稲津佑; 竹野思温; 烏山昌幸; 竹内一郎
通讯作者：
竹内一郎

A Generalized Framework of Multi-fidelity Max-value Entropy Search through Joint Entropy

通过联合熵进行多保真极大值熵搜索的通用框架

DOI：
10.1162/neco_a_01530
发表时间：
2022
期刊：
影响因子：
2.9
作者：
S. Takeno; H. Fukuoka; Y. Tsukada; T. Koyama; M Shiga; I. Takeuchi;M. Karasuyama
通讯作者：
M. Karasuyama