基于贝叶斯优化的多样解发现
本文提出了一个深度学习框架,基于具有随机先验的 bootstrap 整合的神经体系结构,用于贝叶斯优化和连续决策。该框架能够在高维输出的情况下逼近设计变量和感兴趣数量之间的函数关系,测试表明该方法在优化轮毂叶片的形状等高度复杂的任务中具有明显的优越性。
Feb, 2023
贝叶斯优化是一种强大的技术,可用于优化噪声大、昂贵难评估的黑箱函数,在科学、工程、经济、制造等领域具有广泛的实际应用。本文概述了贝叶斯优化在下一代过程系统设计中的最新进展、挑战和机遇,并介绍了如何利用高级贝叶斯优化方法更有效地解决这些应用中的重要问题。最后,我们总结了提高概率模型质量、选择下一个样本点的内部优化过程以及利用问题结构提高样本效率方面的挑战和机会。
Jan, 2024
通过理论和实践方面的研究,发现在拥有噪声的约束贝叶斯优化中,通过识别高置信度兴趣区域,相交这些区域得出最终兴趣区域,并利用平衡优化和可行区域识别的新型获取函数,为其性能获得严谨的理论证明。
Oct, 2023
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
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
本研究提出了一种新的贝叶斯优化框架,用于考虑输入不确定性的多目标优化,包括鲁棒性的量化和搜索一个鲁棒的帕累托前沿,并通过数值基准测试证明了其有效性。
Feb, 2022
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
模拟基于贝叶斯优化 (SBBO) 是一种用于优化黑盒函数的新方法,只需要通过基于采样的后验预测分布进行访问。该方法允许在涉及组合空间和离散变量的情况下使用适用于组合空间的概率代理模型。在组合优化的应用中,我们通过使用不同的代理模型在实证上证明了 SBBO 方法的有效性。
Jan, 2024
本文提出了一种名为 TuRBO 的算法来解决高维问题的全局优化,该算法利用一系列局部模型,通过隐式赌博方法对这些模型之间的样本进行原则性的全局分配,并在强化学习、机器人学和自然科学领域的问题上显著优于其他现有方法。
Oct, 2019