Oct, 2013

基于高斯过程模拟器的多目标优化：逐步不确定性降低法

PDF
TL;DR我们提出了一种基于逐步降低不确定性原则的算法，将优化视为当前最佳解以下偏移集的序列降低，并选择提供最高预期降低的点的采样策略，避免使用繁琐的模拟，并在数值例子上进行了测试，结果表明它在探索和集中之间提供了有效的权衡。
gaussian process emulatorsoptimizationsequential reductionsampling strategytrade-off
发现论文，激发创造
  • 一个考虑输入不确定性的强健多目标贝叶斯优化框架

    本研究提出了一种新的贝叶斯优化框架，用于考虑输入不确定性的多目标优化，包括鲁棒性的量化和搜索一个鲁棒的帕累托前沿，并通过数值基准测试证明了其有效性。

    Feb, 2022

  • 伪贝叶斯优化

    采用拟贝叶斯优化的框架，通过利用简单的局部回归和随机化先验构建来量化不确定性，并保证收敛性，有效地优化高维度的综合实验、超参数调整和机器人应用的例子中胜过最先进的基准测试。

    Oct, 2023

  • 多目标贝叶斯优化不确定性感知搜索框架

    本研究提出了一种新颖的不确定性感知搜索框架（USeMO），使用代理模型的多目标黑盒优化解决方案来选择评估输入序列，通过减少函数评估的数量，近似真正的 Pareto 集。我们在多个合成和六个不同的真实基准问题上的实验表明，USeMO 总是优于现有算法。

    Apr, 2022

  • 带性能不确定性的多目标超参数优化

    本文介绍了一种使用 Tree-structured Parzen Estimators 采样策略和训练带异质噪声的 Gaussian Process Regression 元模型的多目标超参数优化方法，具有更好的超体积指标表现，并考虑到模型评估的不确定性。

    Sep, 2022

  • 随机优化的自适应采样策略

    本论文提出了一种随机优化方法，该方法通过自适应地控制梯度近似计算中使用的样本量来减少方差，使用内积测试来决定增加样本量，并通过逻辑回归问题的数值实验验证了该算法的有效性。

    Oct, 2017

  • 高斯过程在对抗鲁棒优化中的应用

    考虑高斯过程优化问题，在最大化函数时增加健壮性，提出基于置信界限的 StableOpt 算法，该算法在真实数据集上的实验表明可以成功找到稳定的极大值点。

    Oct, 2018

  • 高维高斯过程的联合优化与变量选择

    本文利用高维高斯过程模型，结合变量选择和优化，解决了高维、非凸函数的优化问题，并提供了相关性能保证和实证研究结果。

    Jun, 2012

  • 高维输出的贝叶斯优化

    该论文介绍了一种使用多任务高斯过程模型和克罗内克结构的精确采样技术的黑盒优化方法，可用于多个相关目标的优化，并可应用于涉及成千上万个相关输出的任务，从而实现了与现有方法相比较大的样本效率提高。

    Jun, 2021

  • 使用高斯过程在 Bandit 环境下进行最优化估计

    本文研究了一种直接利用未知函数 argmax 估计值的优化策略，并与 GP-UCB 和 GP-PI 策略建立了紧密联系。该方法的自动适应调整探索和利用的权衡，在机器人和视觉任务的广泛实证评估中表现出鲁棒性，通过性能 - 遗憾的界限说明了自适应调整的效果。

    Oct, 2015

  • 梯度和不确定性增强的全局拟合序贯抽样

    提出了一种新的全局适应抽样策略，称为梯度和不确定性增强的顺序抽样（GUESS），该策略在该研究中与其他 9 种自适应抽样策略进行了比较，结果表明 GUESS 在测试样例上相比其他基于代理模型的策略具有最高的样本效率。

    Sep, 2023