합성 고분자 입자의 합리적인 합성을 위한 제약 조건 기반 복합 베이지안 최적화
본 연구에서는 전기방사를 통해 특정 크기의 고분자 입자를 합성하기 위해 제약 조건 기반 복합 베이지안 최적화(CCBO)라는 새로운 방법을 제시하고, 이 방법이 기존 방법보다 효율적이며 전문가 수준의 의사 결정을 제공할 수 있음을 보여줍니다.
의사 결정 모델을 위한 종속성 구조 검색 기반 베이지안 최적화
본 논문에서는 고차원 의사 결정 모델, 특히 멀티 에이전트 강화 학습에서 sparse reward 환경에서 효율적인 정책 최적화를 위해 새롭게 제안된 '종속성 구조 검색 베이지안 최적화 (DSS-GP-UCB)' 방법론과 '고차원 모델(HOM)' 기반 정책 표현 방식을 소개합니다.
역변환 기반 잠재 베이지안 최적화
잠재 베이지안 최적화(LBO)에서 발생하는 '정렬 불량 문제'를 해결하기 위해 인코더-디코더 아키텍처의 재중심화 기법을 대체하는 역변환 기반 잠재 베이지안 최적화(InvBO)를 제안하며, 이는 추가적인 오라클 호출 없이 정렬된 데이터셋을 생성하고 잠재 공간 내 신뢰 영역의 잠재적 능력을 고려한 앵커 선택을 통해 최적화 성능을 향상시킨다.
최적 값의 경계를 고려한 베이지안 최적화: 한계 존중하기
알려진 최적 값의 하한을 활용하는 새로운 대리 모델 및 획득 함수인 SlogGP 및 SlogTEI를 사용하는 경계 인식 베이지안 최적화(BABO)는 기존 베이지안 최적화 기법보다 뛰어난 성능을 보여줍니다.
준지도 학습을 활용한 밀도 비 추정 기반 베이지안 최적화
본 논문에서는 레이블이 지정되지 않은 데이터 포인트를 활용하여 기존 밀도 비 추정 기반 베이지안 최적화 방법의 과적합 문제를 해결하는 새로운 준지도 학습 기반 방법론을 제시합니다.
EARL-BO: 고차원 베이지안 최적화를 위한 다단계 예측 강화 학습
EARL-BO는 고차원 블랙박스 최적화 문제에서 다단계 예측을 활용하여 기존 베이지안 최적화 방법의 한계를 극복하는 새로운 강화 학습 기반 프레임워크입니다.
마르코프 결정 과정을 통한 전이 제약 베이지안 최적화
이 논문에서는 실험 과학 분야에서 발생하는 전이 제약 최적화 문제를 해결하기 위해 마르코프 결정 과정을 활용한 새로운 베이지안 최적화 프레임워크를 제안합니다.
사후 표본 기반 베이지안 최적화를 위한 효율적인 전역 최적화 전략: 루트파인딩 활용
본 논문에서는 복잡한 블랙박스 함수의 전역 최적화에 널리 사용되는 베이지안 최적화(BO)에서, 특히 고차원 문제에서 어려움을 야기하는 사후 표본 기반 획득 함수의 효율적인 전역 최적화 전략으로 루트파인딩 기반 TS-roots 알고리즘을 제안합니다.
신경망 하이퍼파라미터 튜닝을 위한 베이지안 최적화: 개요, 방법론 및 실험 결과
본 논문은 컨볼루션 신경망(CNN)의 하이퍼파라미터 튜닝에 베이지안 최적화를 적용하여 이미지 분류 성능을 향상시키는 방법을 제시합니다.
전역 최적화를 위한 구분적 선형 커널 근사를 사용한 가우시안 프로세스 획득 함수의 전역 최적화
본 논문에서는 가우시안 프로세스 획득 함수를 전역적으로 최적화하기 위해 구분적 선형 커널 근사를 사용하는 새로운 방법인 PK-MIQP를 제안하며, 이는 기존 방법들보다 효율적이고 안정적인 전역 최적화를 가능하게 합니다.
© 2024 by Linnk AI