基于贝叶斯优化的多目标混合变量问题
本文介绍了一种新型的 Bayesian optimization(MiVaBo 算法),并且通过优化获取函数,在 mixed-variable 函数的优化过程中使其成为第一个能够处理离散变量复杂约束的 BO 方法,并提供了混合变量 BO 算法的第一个收敛分析,最后在多个具有超参数的调优任务中显示出 MiVaBo 显着比最先进的混合变量 BO 算法具有更高的样本效率,对于深度生成模型的优化更是如此。
Jul, 2019
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
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
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
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
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。
May, 2021
本论文提出了混合变量和组合贝叶斯优化(MCBO)的模块化框架,以解决当前 MCBO 研究领域缺乏系统性基准和标准评估的问题,通过在 10 个任务上进行超过 4000 次实验,证明了该框架比现有方法具有更高的性能表现,并揭示了模型拟合和信任区域使用的重要性。
Jun, 2023
本文提出了一种基于随机标量化策略的多目标优化方法,可快速、灵活地从 Pareto 前沿的特定区域中采样,且在多项真实问题和合成问题的实验中显示了良好表现。
May, 2018
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