合成タスクによるメタ学習を用いた、小規模オフラインデータセットからのブラックボックス最適化

arXiv cs.LG / 2026/4/15

💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、分子や材料探索のような科学的設計タスクにおいて一般的に見られる、小規模・希少・あるいは低品質のデータセットを対象とした、オフラインのブラックボックス最適化を扱う。
先行手法の中核的な制約として、候補の正しい順位付け（最適化のバイアスを正しく学習）を行うために、サロゲートモデルが最適化バイアスを学習する必要がある点を指摘するが、これを限られたデータで行うことは困難である。
提案手法の OptBias は、ガウス過程から合成的な最適化タスクを生成することで、再利用可能な最適化バイアス表現を学習するためのメタラーニングを用いる。
その後 OptBias は、対象タスクに対して限られた実データセットでサロゲートモデルを微調整し、連続・離散の双方のベンチマークにおいて性能を改善する。
実験結果により、OptBias は小データ領域において特に、最先端のオフライン最適化ベースラインを一貫して上回ることが示され、現実的なオフライン設定に対する実用的な頑健性が示唆される。