SpotOptimによる最適化
arXiv cs.LG / 2026/4/16
📰 ニュースIdeas & Deep AnalysisTools & Practical UsageModels & Research
要点
- spotoptim Pythonパッケージは、KrigingループにExpected Improvement（期待改善）によるガイダンスを組み合わせることで、高価なブラックボックス関数に対するサロゲートモデルベースの最適化を導入します。
- 連続・整数・カテゴリ（離散）決定変数をサポートし、OCBAによるノイズを考慮した評価を含み、さらに多目的最適化への拡張も提供します。
- このフレームワークは、目的関数の評価とサロゲートモデル探索をオーバーラップさせるために定常状態（steady-state）の並列化を用い、停滞に対して「発見成功率（success-rate）に基づくリスタート」戦略を採用しつつ、これまでに見つけた最良解を失わないようにします。
- spotoptimは、SciPy互換のOptimizeResultオブジェクトを返し、scikit-learn互換の任意のサロゲートモデルを受け付けることで、科学技術Pythonエコシステムとの相互運用を想定しています。また、TensorBoardによるライブ監視のためのロギング機能を備えています。
- 本論文／記事では、アーキテクチャの詳細、動作例（ニューラルネットワークのハイパーパラメータチューニングを含む）、およびBoTorch、Optuna、Ray Tune、BOHB、SMAC、Hyperoptといったツールとの比較が示されており、オープンソースです。
