概要: ベイズ最適化（BO）は、高価なブラックボックス関数の逐次最適化において、多くの実世界の状況で実用性と有効性が実証されている。メタベイズ最適化（meta-BO）は、関連タスクからの情報を活用することで、BOのサンプル効率を改善することに焦点を当てる。meta-BOは、タスク構造が転移する場合にはサンプル効率的であるが、メタ学習タスクとテストタスクの間の不適切な整合（ミスアラインメント）があると、オンライン最適化の際に最適でないクエリが提案されてしまうことがある。そこで本研究では、一つの統一された枠組みの中で、有用であると判断された場合には関連タスク情報を利用し、そうでない場合にはルックアヘッドへフォールバックするという、単純なmeta-BOアルゴリズムを提案する。我々の方法は、関数最適化のタスクにおいて既存手法と競争力のあることを示すと同時に、テストタスクがメタ学習セットと共有する構造が限られているような、タスク関連性が低い状況においても強い性能を維持する。
BayMOTH: meTa-lookahead を用いたベイズ最適化 ― 単純なアプローチ
arXiv cs.AI / 2026/4/15
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、「BayMOTH」というメタ・ベイズ最適化（meta-BO）のサンプル効率を改善するためのベイズ最適化手法を提案しつつ、メタ学習タスクとテストタスクの間でタスク構造が不一致であることによって引き起こされる失敗を回避することを目的としている。
- 有用であると判断された場合には関連タスクの情報を活用する統一的な意思決定フレームワークを導入するが、それ以外の場合はより良いオンラインのクエリ提案を生成するために lookahead 戦略へ切り替える。
- 著者らは、BayMOTH が関数最適化ベンチマークにおいて既存の meta-BO 手法と競争力があること、さらにタスク間の関連性が低い場合でも高い性能を維持することを報告している。
- 主要な貢献は、meta-BO の設定においてタスク間の転移が不十分であることに起因する見込みのない挙動を緩和するためのシンプルなフォールバック機構である。
