[論文レビュー] Cost-Aware Bayesian Optimization for Prototyping Interactive Devices

Thomas Langerak, Renate Zhang+3 more|arXiv (Cornell University)|Feb 2, 2026

Innovative Human-Technology Interaction被引用数 0

ひとこと要約

この論文は、コストモデルとプロトタイプ再利用記録を獲得関数に埋め込むことで、対話デバイスのプロトタイピングにコスト意識型ベイズ最適化を適用し、設計品質を維持しつつ大幅なコスト削減を実現している。

ABSTRACT

Deciding which idea is worth prototyping is a central concern in iterative design. A prototype should be produced when the expected improvement is high and the cost is low. However, this is hard to decide, because costs can vary drastically: a simple parameter tweak may take seconds, while fabricating hardware consumes material and energy. Such asymmetries, can discourage a designer from exploring the design space. In this paper, we present an extension of cost-aware Bayesian optimization to account for diverse prototyping costs. The method builds on the power of Bayesian optimization and requires only a minimal modification to the acquisition function. The key idea is to use designer-estimated costs to guide sampling toward more cost-effective prototypes. In technical evaluations, the method achieved comparable utility to a cost-agnostic baseline while requiring only ${\approx}70\%$ of the cost; under strict budgets, it outperformed the baseline threefold. A within-subjects study with 12 participants in a realistic joystick design task demonstrated similar benefits. These results show that accounting for prototyping costs can make Bayesian optimization more compatible with real-world design projects.

研究の動機と目的

• HCIにおけるプロトタイピングコストが設計探索をどのように形作るかを動機づけ、設計品質を維持しつつコストを削減することを目指す。
• 多様なハードウェア/ソフトウェアコストを捉え、部品再利用を記録するコストモデルとプロトタイプ記録を導入する。
• EIベースの獲得関数を、プロトタイピング文脈で「1単位コストあたりの期待改善」を最大化するように適応させる。
• シミュレーションとユーザ研究で、成果を犠牲にせずコスト効率を向上させるアプローチを示す。

提案手法

• コスト意識型ベイズ最適化を採用し、EIを推定コストc(x)で割った値を最大化する。
• 再利用からの設計部品に対してチューニング、交換、作成コストを割り当てるコストモデルを定義する。
• イテレーションを横断してどの部品が製作または実装されたかを追跡するプロトタイプ記録Hを導入する。
• 離散的なコストモデルをRBFカーネルを用いた滑らかな緩和で定義し、ソフトな部品コストを計算し勾配ベースの最適化をサポートする。
• 部品レベルでコストを定量化し、それらを合計してプロトタイプを評価する総コストc(x)を得る。

Figure 1 . We extend cost-aware Bayesian optimization method for prototyping interactive devices. It accounts for the different costs of hardware and software design, while reusing existing prototypes stored in a record. By embedding a cost model into the acquisition function, the optimizer can bala

実験結果

リサーチクエスチョン

• RQ1 コストモデルとプロトタイプ再利用を取り入れることは、プロトタイピングのベイズ最適化におけるサンプリング戦略にどのように影響するか。
• RQ2 コスト意識型獲得が、対話デバイスにおける設計品質を損なうことなく総合的なプロトタイピングコストを削減できるか。
• RQ3 反復を通じて変化するコスト状況とプロトタイプ記録に対して、アプローチはどのように適応するか。
• RQ4 ソフトコスト緩和が最適化性能と勾配ベース手法の実現可能性に与える影響はどの程度か。
• RQ5 シミュレーションとユーザ研究の結果は、標準（コスト無視の）ベイズ最適化とどのように比較されるか。

主な発見

• コスト意識型ベイズ最適化は、シミュレーションにおいてコストを抑えつつ、コスト非意識型のベースラインと同等のユーティリティを達成し、コストを約70%程度に削減できる。
• 厳しい予算下で、コスト意識型最適化はベースラインを約3倍上回る性能を示した。
• 被験者内デザインのユーザ研究（n=12）は、元のコストの約67%程度のコストで同等の性能を持つ設計を示した。
• コストは変化に応じて動的に適応し、可能な場合はより安価な選択肢を優先する。
• プロトタイプ記録による再利用は、将来の反復で限界コストを下げる。
• この手法は標準のベイズ最適化のドロップイン置換として機能し、獲得関数の変更のみを必要とする。

Figure 2 . Top: In standard Bayesian optimization, a surrogate model (e.g., a Gaussian Process) predicts utility, and the expected improvement (EI) directly defines the acquisition function. This approach is cost-blind ; it treats all evaluations as equally expensive. Bottom: Cost-aware Bayesian opt