概要: ベイズ最適化における転移学習の利用は、いわゆる\textit{cold start}問題の欠点に対処するために、ソースデータを用いてターゲット問題の最適化を支援することでそれを克服します。本研究では、転移学習を用いてサロゲートモデルのアンサンブルを活用し、それを制約付きベイズ最適化の枠組みに統合する手法を提案します。非均一な設計変数と制約に関連する、航空機設計最適化に特有の課題を特定します。設計空間の非均一性に対処するために部分最小二乗（partial-least-squares）による次元削減アルゴリズムの利用を提案し、制約の非均一性に対処するために\textit{meta}データのサロゲート選択手法を提案します。数値ベンチマーク問題および航空機の概念設計最適化問題を用いて、提案手法の有効性を示します。その結果、標準的なベイズ最適化と比較して最適化の初期イテレーションにおける収束が大幅に改善されることが示され、目的関数および制約の両方に対するサロゲートモデルの予測精度も向上します。
航空機設計におけるベイズ最適化のための転移学習
arXiv stat.ML / 2026/4/1
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、ソースデータを活用することでターゲット課題に対する最適化を加速し、コールドスタート問題を緩和する転移学習アプローチを提案する。
- 転移学習済みサロゲートモデルのアンサンブルを、航空機設計最適化に合わせて調整した制約付きベイズ最適化の枠組みに統合する。
- 不均一な航空機設計空間を扱うために、次元削減には部分的最小二乗法（PLS）を用い、異種の制約に対してはメタデータに基づくサロゲート選択戦略を採用する。
- 数値ベンチマークおよび航空機の概念設計最適化の事例に関する実験により、標準的なベイズ最適化と比べて、初期反復での収束が速くなり、目的と制約の双方に対する予測精度が向上することが示される。
