Jun, 2019

使用 Pareto 前沿熵的多目标 Bayesian 优化

PDF
TL;DR本研究提出一种基于熵的多目标贝叶斯优化方法（MBO），称为帕累托前沿熵搜索（PFES），该方法考虑到帕累托前沿的熵，通过推导标准熵搜索设定的解析公式来获得帕累托最优性的权衡关系，并可以适应解耦合条件下的目标函数熵计算。实验验证表明 PFES 方法在多种基准数据集上的有效性。
entropy-based multi-objective bayesian optimizationpareto-frontier entropy searchtrade-off relationdecoupled settingmarginal density
发现论文，激发创造
  • 多精度贝叶斯优化中的最大值熵搜索及其并行化

    本文介绍了一种基于 max-value entropy search 的多保真度贝叶斯优化 (MF-MES) 方法，该方法通过考虑最优函数值的熵，而非最优输入点，大大简化了计算，并成功解决了信息熵的估计难题。同时，文章还提出了 MF-MES 的并行化方案，并通过材料科学数据等基准数据集的实验验证了该方法的有效性。

    Jan, 2019

  • 多保真度多目标贝叶斯优化：一种输出空间熵搜索方法

    本文研究了多目标黑盒优化的新问题，通过以不同资源消耗和准确性变化的多重保真度函数评估来减少资源消耗，以近似真实的帕累托解集合。 提出了一个称为 MF-OSEMO 的新方法来解决这个问题，并在几个综合性和真实基准问题上进行实验，表明 MF-OSEMO 相对于单一忠实算法在多目标优化上有显著改进。

    Nov, 2020

  • 基于约束条件的多目标贝叶斯优化的预测熵搜索

    本文提出一种名为 PESMOC 的基于信息的策略，用于同时优化多个昂贵的黑盒函数，并考虑多个限制条件，该策略可用于解决多种优化问题。实验结果表明，相对于随机搜索策略，PESMOC 能够在较少的评估次数下提供更好的建议。

    Sep, 2016

  • 带约束的多目标贝叶斯优化的最大值熵搜索

    提出一种名为 MESMOC 的新方法来解决大规模设计问题的优化，通过使用输出空间熵的获得函数，选择评估输入序列来发现高质量的帕累托集解决方案同时满足约束条件。

    Sep, 2020

  • 高效贝叶斯优化的最大值熵搜索

    提出一种新的最大值熵搜索（Max-value Entropy Search，MES）标准，用于提高贝叶斯优化方法的计算效率和实现遗憾界规范，该方法在高维问题上效率更高且性能良好。

    Mar, 2017

  • 具有未知约束的贝叶斯优化的预测熵搜索

    本文提出一种名为具有约束的预测熵搜索（PESC）的基于信息的方法，旨在解决使用贝叶斯优化的期望改进启发式算法遇到的路径 ologies，并分析其在合成、基准和真实世界实例中表现优于基于 EI 的方法，展示其是一种有效的算法，为约束贝叶斯优化提供了一种有前途的解决方案。

    Feb, 2015

  • 帕累托前沿多样化批次多目标贝叶斯优化

    我们提出了一种基于贝叶斯优化的新方法，称为 Pareto front-Diverse Batch Multi-Objective BO (PDBO)，用于解决多目标优化问题，其中我们可以评估一批输入并发现高质量和多样化的 Pareto 前沿。

    Jun, 2024

  • 预测熵搜索用于黑箱函数的高效全局优化

    本文提出了一种基于信息论的贝叶斯优化方法 —— 预测性熵搜索（PES），PES 可以在全局最优值相对应的信息增益期望上选择下一个评估点，通过预测分布差异熵的期望减少来表示无法计算的获取函数，PES 可以获得比其他方法更准确和更有效的近似值，并且可以轻松进行完全贝叶斯处理，本文还对来自不同领域的数据进行了评估，结果显示 PES 增强了优化性能。

    Jun, 2014

  • 昂贵多目标优化的 Pareto 集学习

    本文提出了一种基于学习的方法，将分解式多目标优化算法 (MOEA/D) 从有限种群推广到模型，以近似整个 Pareto 集，为决策者提供灵活的决策，并展示实验结果。

    Oct, 2022

  • 昂贵目标函数批量全局优化的并行预测熵搜索

    本文介绍一种名为平行预测熵搜索 (PPES) 的新型算法，用于贝叶斯优化昂贵的黑匣子目标函数，并通过机器学习、火箭科学、机器人等领域的案例研究，展示了其批处理选择策略的优化表现。

    Nov, 2015