single
point-based
multi-
objective探索フレームワーク（SPMO）を提案します。SPMOの中では、期待単一点改善（ESPI）と呼ばれるシンプルな獲得関数を、非ノイズ（noiseless）およびノイズあり（noisy）の両方の状況で導入します。ESPIは、サンプル平均近似（SAA）アプローチを通じて勾配ベースの手法により効果的に最適化できることを示し、さらにSAAのもとでその収束保証を理論的に証明します。また、提案するSPMOが計算可能性の観点で十分実行可能であり、多様なベンチマークおよび実世界の問題において最先端手法を上回ることを、実験的に実証します。
多目的ベイズ最適化では、本当にパレートフロント全体にアプローチする必要があるのか？
arXiv cs.AI / 2026/4/13
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、多目的ベイズ最適化においては、評価に必要な代表解の数が目的数の増加に伴って急速に増える一方で評価予算は限られているため、パレートフロント全体を近似することはしばしば現実的ではないと論じている。
- 厳しい予算下では目標を転換し、パレートフロント全体を近似する多様な解集合を探すのではなく、意思決定者のトレードオフに最も適合する、単一の高品質な解を見つけることを枠組みの目的とすることを提案する。
- 著者らは SPMO（single point-based multi-objective search）と、それに対応する獲得関数である ESPI（expected single-point improvement）を導入し、ノイズのない最適化設定とノイズのある設定の両方に対応できるように設計している。
- ESPIは、サンプル平均近似（SAA）戦略を用いて勾配ベースの手法により最適化されており、本論文では SAA 下での ESPI に対する理論的な収束保証を提示している。
- ベンチマーク問題および実世界の問題に関する実験結果から、SPMO/ESPI は計算上扱いやすく、既存の最先端の多目的／多目的（many-/multi-objective）ベイズ最適化手法よりも優れていることが示されている。
