具有预期超体积改进的多噪声目标并行贝叶斯优化

May, 2021

具有预期超体积改进的多噪声目标并行贝叶斯优化

Parallel Bayesian Optimization of Multiple Noisy Objectives with Expected Hypervolume Improvement

Samuel Daulton, Maximilian Balandat, Eytan Bakshy

TL;DR提出了一种新的采样函数 NEHVI，它通过在 Pareto 前沿上集成期望超体积改进准则的不确定性，从而克服了噪声干扰的限制，特别是在大批量优化环境中表现出卓越的性能。

Abstract

Optimizing multiple competing black-box objectives is a challenging problem in many fields, including science, engineering, and machine learning. multi-objective bayesian optimization (MOBO) is a sample-efficient approach for identifying the optimal trade-offs between the objectives. H

multi-objective bayesian optimization nehvi pareto frontier observation noise large-batch optimization

发现论文，激发创造

针对并行多目标贝叶斯优化的可微分期望超体积改进方法

本文利用编程模型和硬件加速，提出了 q-Expected Hypervolume Improvement (qEHVI) 算法，使得计算多目标贝叶斯优化的探索函数能够适用于平行、受限制的计算情况，并通过自动微分方法，一个精确的求解 MC 积分误差的加速器来计算探索函数的性能和效果进行了实证研究。

Jun, 2020

利用区间分解算法高效计算预期超体积改进值

该文章提出了一种基于切片分解技术的高效算法，能够在多目标优化中准确计算期望超体积改进值，达到了渐近最优的时间复杂度，并将此分解技术应用到概率提升计算中。

Apr, 2019

基于贝叶斯优化的多目标混合变量问题

本研究提出了一种混合变量、多目标贝叶斯优化框架 MixMOBO，可高效找到混合变量设计空间的最优帕累托前沿，同时确保多样解，结果表明 MixMOBO 在合成问题上表现良好。

Jan, 2022

BOtied: 带绑定多元等级的多目标贝叶斯优化

本文介绍了一种基于多目标贝叶斯优化 (MOBO) 的框架，通过提出 CDF 指标和 BOtied 采集函数，可以有效地解决多目标目标空间的优化问题，并在实验中得到良好的效果。

Jun, 2023

并行多目标超参数优化的均匀归一化与有界目标

机器学习模型的超参数优化是一个具有多目标的挑战性问题，本研究提出了一种多目标贝叶斯优化算法，通过统一目标规范化和随机化权重在标量化中解决了不同目标尺度的问题，并通过限制目标来提高算法效率，最后通过并行化加速了优化过程。

Sep, 2023

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

高维搜索空间上的多目标贝叶斯优化

本文提出了一种可伸缩的多目标贝叶斯优化算法 MORBO，通过同时在设计空间的多个本地区域中使用协调策略进行并行优化，远高于现有算法的采样效率，适用于高维度的综合问题。

Sep, 2021

高斯 - 埃尔米特积分的期望超体积改进的高效近似

使用 Gauss-Hermite 积分作为新的求解多目标优化问题的方法，比起传统的蒙特卡罗模拟方法，准确性更高，且可以处理两个或者多个相关联的目标变量。

Jun, 2022

使用改进的概率提高选择技术的多目标贝叶斯全局优化并行算法

本文提出了五种多目标贝叶斯全局优化的概率提高算法 (q-PoI)，适用于多个解点的批量评估，并针对这些算法的位置依赖行为进行了探讨，并通过实证实验证明了两种贪婪型的 q-PoIs 在低维问题上的有效性以及两种探索性的 q-PoIs 在高维问题上的有效性。

Aug, 2022

基于进化的超带宽算法用于多目标优化

本文介绍了一种名为 MO-DEHB 的多目标优化器，它可用于同时优化复杂不同的性能指标，包括准确性、延迟和算法公平性，并在各种任务中均有良好的表现。

May, 2023