LABO: Framework di Ottimizzazione Bayesiana Accelerata da LLM
I ricercatori propongono LABO (LLM-Accelerated Bayesian Optimization), un framework che integra grandi modelli linguistici nell'ottimizzazione bayesiana per ridurre i costi sperimentali. LABO utilizza un criterio di gate per bilanciare dinamicamente le previsioni LLM con gli esperimenti reali, sfruttando valutazioni LLM a basso costo per un'esplorazione ampia e riservando esperimenti costosi per regioni ad alta incertezza. L'approccio mira a un'ottimizzazione più efficiente in termini di campioni, supportato da un'analisi teorica del rimpianto cumulativo. L'articolo è disponibile su arXiv con identificatore 2605.22054.
Fatti principali
- LABO sta per LLM-Accelerated Bayesian Optimization
- Combina previsioni LLM con osservazioni sperimentali in un unico ciclo BO
- Un criterio di gate bilancia dinamicamente l'affidamento sulle previsioni LLM rispetto agli esperimenti reali
- Valutazioni LLM a basso costo sono utilizzate per un'esplorazione ampia
- Esperimenti reali costosi sono riservati per regioni ad alta incertezza
- Il framework mira a un'ottimizzazione più efficiente in termini di campioni
- L'analisi teorica include il rimpianto cumulativo
- Articolo pubblicato su arXiv con identificatore 2605.22054
Entità
Istituzioni
- arXiv