Bayesian optimization
PulseAugur coverage of Bayesian optimization — every cluster mentioning Bayesian optimization across labs, papers, and developer communities, ranked by signal.
- uses Gaussian Processes 90%
- used by active learning 80%
- instance of CatalyzeX 70%
- affiliated with Gaussian Processes 70%
- used by Gaussian Processes 70%
- used by CatalyzeX 70%
- instance of hyperparameter optimization 70%
- instance of alphaXiv 70%
- uses genetic algorithm 70%
- used by alphaXiv 60%
- affiliated with active learning 60%
- other alphaXiv 50%
17 天有情绪数据
-
自由概率核优化储层计算超参数
研究人员开发了一种使用自由概率核优化储层计算超参数选择的新方法。该方法无需进行广泛的模拟即可对候选操作状态进行排序，从而显著降低了与调整循环增益和输入尺度等参数相关的计算成本。该方法在各种合成和真实世界预测任务中表现出强大的性能，以一小部分计算资源实现了与穷举搜索相当的结果。
-
量子高斯过程扩展用于预测信道观测
研究人员开发了一个新的量子高斯过程（QGP）框架，将其预测能力扩展到酉量子动力学之外。这个扩展的QGP框架可以在测量有限的情况下，预测未知量子信道输出的泡利可观测量值的期望值。该研究证明了信道输出收敛到QGP，并推导出了一个闭式核，尽管其维度因子可能会限制大型系统的学习。为了解决这个问题，提出了一种经验贝叶斯启发式方法，用一个可学习的尺度参数替换维度因子，恢复了全局信道的学习能力，并随着测量次数的增加提高了预测精度，这在多达64个量子…
-
新框架利用AI优化电磁线圈设计
研究人员开发了一个新的框架，利用代理建模和贝叶斯优化来优化电磁线圈设计。该框架将有限元法（FEM）模型与高斯过程代理相结合，根据几何、制造和质量等各种约束来评估设计。研究发现，不同的优化算法在不同的有限元评估预算下表现最佳，其中EI-BO在预算较小时改进迅速，COBYLA在早期阶段表现出色，而BOBYQA在最终响应方面达到最高。
-
新方法在不牺牲性能的情况下降低机器学习模型能耗
研究人员开发了一种使用约束贝叶斯优化（CBO）来最小化机器学习模型能耗的方法。该方法旨在降低训练日益大型模型相关的计算能量成本。研究表明，CBO可以在不负面影响回归和分类任务的预测性能的情况下，实现更低的能量使用。
-
新研究改进高斯过程老虎机优化技术 · 跟踪2个来源
arXiv上的两篇新研究论文探讨了高斯过程老虎机优化方面的进展。第一篇论文侧重于随时间变化的环境，提出了一种具有恒定探索参数的方法，以实现更优的遗憾界限。第二篇论文解决了并行高斯过程老虎机优化问题，展示了如何在不要求初始不确定性采样阶段的情况下，尤其是在无噪声设置中，实现更优的遗憾界限。
-
最新研究强调了高斯过程超参数优化中最大似然估计的脆弱性
一篇新发表在arXiv上的论文评估了在高斯过程（GPs）超参数优化中使用最大似然估计（MLE）的脆弱性。研究强调，尽管GPs常用于工程设计且通常被认为具有鲁棒性，但如果其基本假设不满足，MLE可能导致泛化能力差。该论文提出了改进GPs准确性和鲁棒性的实用解决方案，并在贝叶斯优化等下游任务中展示了其有效性，表明它们在预测准确性和不确定性量化方面可以超越表格基础模型。
-
新的贝叶斯优化方法自适应电路表示以加速搜索
研究人员开发了一个名为 TTARO 的新贝叶斯优化框架，旨在提高模拟电路拓扑搜索的效率。TTARO 通过联合学习特征变换和高斯过程代理模型，在优化过程中实时自适应电路表示。与使用固定表示的方法相比，这种持续的自适应能更有效地将搜索空间与优化目标对齐。实验表明，与标准贝叶斯优化相比，TTARO 的遗憾 AUC 平均降低了 15.2%，与深度核学习相比降低了 20.7%。
-
贝叶斯优化实现非弹性中子散射实验自动终止
研究人员开发了一种新的方法，使用贝叶斯优化自动确定何时停止非弹性中子散射实验。该策略旨在通过防止超出设备分辨率的过度数据收集来提高效率，从而节省宝贵的束流时间。所提出的技术计算一个停止标准，当最优 bin 宽度小于目标分辨率时，实验就会终止。数值实验表明，与穷举方法相比，这种贝叶斯优化方法可以显著降低搜索成本。
-
LLM框架AUTO自动化GPU代码优化，超越基线
研究人员开发了AUTO，一个利用大型语言模型（LLM）进行自动化设计优化的新框架。该系统采用一个Strategist代理进行高级规划，以及多个Implementor代理进行并行执行，通过探索-利用策略迭代地改进设计。AUTO在GPU代码优化方面表现出显著的性能提升，在化学动力学方面超越实验室优化代码高达1.74倍，在矩阵乘法方面达到cuBLAS性能的94%。在KernelBench基准测试中，它还实现了比PyTorch基线高出118倍…
-
LLM通过新的布局和拓扑框架加速模拟电路设计
两篇新的研究论文探讨了大型语言模型（LLM）在模拟电路设计中的应用，旨在自动化和提高复杂布局优化和拓扑生成的效率。第一篇论文介绍了一个面向仿真的LLM多智能体框架，用于上下文策略改进，显著减少了昂贵的仿真需求。第二篇论文提出了AaLLM，一个端到端的框架，使用LLM进行拓扑生成和电路尺寸调整，实现了可比或更优的性能指标，并大幅减少了设计时间和仿真调用次数。
-
ViaMOBO框架解决了高维多目标贝叶斯优化问题
研究人员开发了ViaMOBO，一个旨在解决高维多目标贝叶斯优化（MOBO）问题的新框架。传统的MOBO方法由于计算复杂性，在处理大型决策空间时面临困难。ViaMOBO通过采用变量交互分析模型来划分决策空间并进行局部优化，从而能够更有效地逼近复杂、昂贵问题的帕累托前沿。
-
贝叶斯优化可有效找到大型语言模型中的强大专家
研究人员开发了一种使用贝叶斯优化方法，可以高效地识别大型语言模型中强大的单一专家，这一过程被称为无梯度后训练。该方法将贝叶斯优化应用于权重空间的随机线性嵌入中，并使用高斯过程代理，无需反向传播。在Qwen2.5-Instruct模型上的推理基准测试表明，该方法在候选评估次数显著减少的情况下，取得了与RandOpt相当或更优的结果，降低了后训练成本，同时产生了更强大的可部署模型。
-
新研究探索扩散模型优化和控制技术 · 已追踪 4 个来源
研究人员正在探索扩散模型的先进方法，重点是优化采样过程和控制分布。一篇论文介绍了“优化你的采样”（OYS），这是一种贝叶斯优化技术，可调整文本到图像和修复任务的采样时间步长，从而在降低推理成本的同时显著提高质量。另一项研究提出了一个用于推理时分布控制的均场框架，为引导扩散模型走向期望分布提供了理论保证，可应用于蛋白质构象等任务。第三篇论文全面介绍了通用状态空间中的扩散模型，统一了连续和离散域，重点关注理论基础和训练原则。最后，第四篇论…
-
大型语言模型与贝叶斯优化结合调优 MIP 求解器
研究人员开发了 GRIMIP，一个将大型语言模型 (LLM) 与贝叶斯优化相结合以专门配置混合整数规划 (MIP) 求解器的新型框架。这种混合方法允许 LLM 在优化循环中充当代理模型，从而提高效率并降低采样和评估成本。GRIMIP 在多个基准测试中显著减少了硬实例的求解时间，其性能优于现有的 LLM 辅助优化方法。
-
主动学习优化贝叶斯优化，加速材料发现
研究人员开发了一个新框架，将主动学习与多目标贝叶斯优化相结合，以提高材料发现的效率。该方法通过自适应地关注有希望的区域来细化设计空间，显著缩小搜索范围，同时保留关键结果。该方法在用于气体分离的共价有机框架和压力容器设计方面进行了测试，证明候选空间减少了约一半，从而提高了早期收敛速度并加速了最佳材料配置的发现。
-
贝叶斯优化框架改进灾后损伤评估
研究人员开发了一种新颖的成本感知贝叶斯优化框架，并结合了等值线估计，以改进灾后损伤评估。该系统指导自主数据收集器（如无人机）前往信息量最大的区域，动态更新损伤估计并减少不确定性，同时最大限度地降低运营成本。该框架通过合成数据和高保真灾难模拟进行了验证，证明了其能够准确追踪损伤边界并为应急响应提供及时信息。
-
新的代理贝叶斯优化使用LLM作为核心决策者
研究人员引入了一种名为代理贝叶斯优化（BO）的新范式，该范式将大型语言模型（LLM）整合为BO循环内的核心决策者。该方法利用贝叶斯后端提供一个感知不确定性的优化基底，使LLM代理能够通过自然语言配置问题、选择评估和调整策略。该系统以Sara的形式实例化，其基于BoTorch的后端名为lenz，在各种基准测试中，尤其是在动态环境中，它能够即时重新配置优化问题，表现优于现有的基于LLM的方法和标准BO。
-
新的贝叶斯优化技术应对复杂的科学和工程问题 · 跟踪4个来源
近期研究论文探讨了用于复杂问题的贝叶斯优化（BO）技术的进展。一项研究介绍了“脱离循环”（Out-Of-The-Loop）MF-BO，它结合了历史高保真数据，在最高保真度直接访问成本过高时改进优化。另一篇论文提出了一种双层BO方法，该方法利用具有黑盒和白盒变量的问题中的可分离性，在基准测试中表现优于标准方法。此外，还提出了一个名为“Tempered Posteriors”的框架，通过调整高斯过程代理来增强BO的鲁棒性，在局部采样下表现…
-
新的FruBO框架在贝叶斯优化中优先考虑计算效率
研究人员推出了一种新的贝叶斯优化框架FruBO，该框架在追求性能的同时优先考虑计算效率。他们的研究对高斯过程、随机森林、NGBoost和贝叶斯自适应样条曲面在各种科学和机器学习任务上进行了基准测试，发现高斯过程在计算上成本高昂但并未提供更优的结果。FruBO旨在根据数据集特征指导用户选择最合适的代理模型，为资源有限的优化提供一个可复现且计算感知基线。
-
新的贝叶斯优化方法增强了光谱数据分析
研究人员开发了一种新的近红外光谱最优波长选择方法，这对于提高光谱数据在糖含量估算等任务中的准确性和可解释性至关重要。该方法将波长选择视为一个二元黑盒优化问题，利用具有 Thompson 采样的贝叶斯优化来识别相关的波长区域。实验表明，与基于遗传算法的选择和模拟退火相比，这种组合贝叶斯优化方法在偏最小二乘回归中表现更优，能够产生更一致、更鲁棒的波长选择。