具有噪声实验的约束贝叶斯优化
研究了具有先验未知约束的贝叶斯优化及其在优化问题中的应用,并提供了解决此类问题的通用框架,并在潜在 Dirichlet 分配,神经网络调整和哈密顿蒙特卡罗优化等问题中进行了有效性实证。
Mar, 2014
本文介绍了贝叶斯优化的基本工作原理,包括高斯过程回归和三种常见的采集函数;讨论了高级技术,包括并行运行多个函数评估,多保真度和多信息源优化,多任务的贝叶斯优化,并探讨贝叶斯优化软件和未来研究方向。
Jul, 2018
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
本文提出了一种新的多目标贝叶斯优化方法,旨在解决存在输入噪声的多目标优化问题,通过优化多维风险价值 (MVaR) 来产生适应噪声并能够满足多个指标要求的最优设计。
Feb, 2022
本文提出了一个深度学习框架,基于具有随机先验的 bootstrap 整合的神经体系结构,用于贝叶斯优化和连续决策。该框架能够在高维输出的情况下逼近设计变量和感兴趣数量之间的函数关系,测试表明该方法在优化轮毂叶片的形状等高度复杂的任务中具有明显的优越性。
Feb, 2023
通过理论和实践方面的研究,发现在拥有噪声的约束贝叶斯优化中,通过识别高置信度兴趣区域,相交这些区域得出最终兴趣区域,并利用平衡优化和可行区域识别的新型获取函数,为其性能获得严谨的理论证明。
Oct, 2023
本文研究了具有无噪声观测的贝叶斯优化问题,引入了基于离散数据逼近的新算法,依赖于随机探索步骤以确保查询点的填充距离以接近最优速率递减。我们的算法保留了经典的 GP-UCB 算法的易实施性,并满足几乎与 arXiv:2002.05096 中猜测的累积遗憾界相匹配的累积遗憾界,因此解决了 COLT 的一个开放问题。此外,新算法在多个示例中优于 GP-UCB 和其他流行的贝叶斯优化策略。
Jan, 2024
本文提出了将成本约束的 BO 建模为约束马尔科夫决策过程 (CMDP) 的方法,并开发了一个高效的滚动估计算法,以同时考虑成本和未来迭代次数。作者在超参数优化和传感器集选择中验证了他们的方法。
Jun, 2021