Feb, 2020

高效鲁棒贝叶斯优化的噪声输入熵搜索

PDF
TL;DR该论文提出了一种名为 Noisy-Input Entropy Search 的信息理论采集函数，该函数基于将鲁棒性目标视为高斯过程的关键洞察，通过考虑输入和测量噪声来解决由于输入参数不确定性带来的问题，在基准测试问题和工程问题中展示了较高的性能表现并优于现有方法。
bayesian optimizationnoisy-input entropy searchrobust optimizationinput and measurement noisegaussian process
发现论文，激发创造
  • 鲁棒熵搜索的安全高效贝叶斯优化

    通过开发高效的信息获取函数 Robust Entropy Search（RES），我们在合成数据和真实数据的实验中实证其优点，并展示了 RES 相对于最先进算法的优越性，从而解决了工程应用中贝叶斯优化（BO）的高采样效率和找到稳健解决方案的特殊要求，特别是在参数完全可控但在应用时部分参数不可控或甚至被干扰的对抗鲁棒性情况下。

    May, 2024

  • 受限贝叶斯优化与最大值熵搜索

    本文提出了基于高斯过程的约束最大值熵搜索 (cMES) 并表明它比其他基于熵搜索的约束优化算法在真实约束优化问题上更简单更快速。

    Oct, 2019

  • 基于决策论熵的贝叶斯优化泛化

    本文提出一种基于 Sherman 逻辑的不确定性泛化度量，将它应用到贝叶斯优化中来表征不确定性，从而解决了当前信息理论 BO 算法无法考虑后续过程的问题，并且提出一个以此为基础的灵活的获取函数家族。最后，作者还开发了一种基于梯度的方法来高效优化它们，成功地解决了各种顺序决策任务中的优化问题。

    Oct, 2022

  • 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

  • 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

  • 输入噪声下的稳健多目标贝叶斯优化

    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

  • 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

  • 贝叶斯优化的熵搜索组合

    本文提出了一种新的资产组合方法 —— 熵搜索组合（ESP），以解决 Bayesian 优化方法中的探索策略选择问题，并在实际和人工数据上的若干问题中证明了 ESP 方法的优越性和鲁棒性。

    Jun, 2014

  • 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

  • 任意不确定输入的高效鲁棒贝叶斯优化

    本文介绍了一种新颖的稳健贝叶斯优化算法 AIRBO，它可以在任意输入不确定性下有效地识别表现稳定良好的稳健最优解。我们的方法通过在高斯过程中使用最大均值差异 (MMD)，直接建模任意分布的不确定输入，并通过 Nystrom 近似加速后验推理，从而在 MMD 估计误差下建立了严格的理论遗憾界，并在合成函数和实际问题上进行了大量实验，证明了我们的方法可以处理各种输入不确定性并实现最先进的性能。

    Oct, 2023