AAAIDec, 2020

Top-k 排名贝叶斯优化

PDF
TL;DR本文提出了一个新颖的基于 Bayesian 优化（top-k ranking BO）的算法，该算法能够处理 top-k ranking 和 tie/indifference observations，具有信息熵的预测搜索功能（MPES）。通过在多个综合基准数据集上的实验评估，MPES 的性能优于现有的贪心算法。
发现论文，激发创造
  • 优先贝叶斯优化

    本文介绍了一种名为 PBO 的新框架，它扩展了标准 BO 的思想，并通过模型化 Bernoulli - 高斯过程模型来建模每个决斗的赢家概率，从而允许在仅通过两两比较的方式来查询隐函数，并且相对于以往方法，该方法在寻找最大值过程中需要极少的比较。

    Apr, 2017

  • 基于原则的偏好贝叶斯优化

    通过使用偏好反馈，我们构建了黑盒函数的置信区间，并提出了一种乐观算法，该算法具有有效的计算方法，并且在累积遗憾方面具有信息理论上的界限，从而使我们能够设计出具有收敛速率保证的估计最佳解决方案的方案。实验结果表明，我们的方法在高斯过程、标准测试函数和热舒适优化问题上都能稳定地达到更好或者有竞争力的性能，相比现有的启发式方法而言，我们的方法不仅拥有遗憾界限或收敛性的理论保证。

    Feb, 2024

  • 贝叶斯优化的泊松过程

    基于泊松过程的贝叶斯优化方法，提出了一种基于排名的替代模型。通过两个定制的获取函数，解决了传统方法中的计算成本高和对噪音敏感的问题，并在模拟和真实世界基准测试中证明了其有效性。

    Feb, 2024

  • 多目标主动偏好学习的贝叶斯优化

    提出了一种贝叶斯优化方法，用于在具有昂贵目标函数的多目标优化问题中确定最优解，通过交互方式自适应地估计 DM 的贝叶斯偏好模型，并利用获得的偏好信息进行主动学习，从而有效地在基准函数优化和机器学习模型的超参数优化问题中找到最优解。

    Nov, 2023

  • 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

  • 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

  • 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

  • 超贝叶斯优化预测建模

    通过在模型空间和函数空间之间进行反馈，将模型选择与贝叶斯优化相结合，以更加高效地达到函数的极值，证明收敛性并在实验结果中显示与标准贝叶斯优化相比的显著改进。

    Aug, 2023

  • BORE: 基于密度比率估计的贝叶斯优化

    将 expected improvement 的计算转化为二分类问题，以避免分析可观测性和提高 Bayesian optimization 的效率和适用性。

    Feb, 2021

  • MALIBO: 元学习用于无似然贝叶斯优化

    提出了一种新的元学习贝叶斯优化方法，通过直接学习任务间查询的效用来解决现有方法在规模可扩展性、观测尺度和噪声类型上的限制，明确建模任务不确定性，并使用辅助模型实现对新任务的稳健适应，在各个基准测试中展现了强大的即时性能，并优于现有元学习贝叶斯优化方法。

    Jul, 2023