高次元最適化
要約済み 1
-
arxiv-cs-ai 2日前 3記憶誘導型ベイズ最適化MG-TuRBOで高次元最適化を突破Memory-Guided Trust-Region Bayesian Optimization (MG-TuRBO) for High Dimensions
高次元・高コスト最適化向けの新手法「MG-TuRBO」が研究者らにより提案された。 信頼領域を過去の探索記憶で誘導し、14次元・84次元で遺伝的アルゴリズムを上回る性能を実証。 交通シミュレーション校正など実世界の高次元最適化タスクへの応用が期待される。
解説 本論文は、交通シミュレーションのデジタルツイン校正という実世界の最適化問題に焦点を当て、提案手法「MG-TuRBO（Memory-Guided Trust-Region Bayesian Optimization）」を提案・評価しています。 ベイズ最適化（BO）は高コストな評価関数を持つ問題に有効な手法で、ガウス過程などの代理モデルを使って少ない試行で最適解を探索します。TuRBOはその高次元拡張版で、探索空間を「信頼領域（Trust-Region）」に分割して局所的に最適化します。MG-TuRBOはさらに過去の探索履歴（記憶）を活用して信頼領域の配置・更新を賢く誘導する拡張版です。 比較対象は遺伝的アルゴリズム（GA）、古典的BO、TuRBO、Multi-TuRBOで、獲得関数にはThompson samplingと新規の適応型戦略を検討。14次元・84次元の2つの実交通シミュレーション問題で評価した結果、MG-TuRBOは特に高次元かつ限られたシミュレーション予算の条件下で優れた校正品質と収束速度を示しました。 GPT-4oやClaudeのようなLLMとの直接比較はありませんが、シミュレーション科学・デジタルツイン分野における実用的な最適化効率化として意義があり、都市インフラや自動運転開発への応用が期待されます。