OpenBox: 通用黑盒优化 Python 工具包
本研究介绍了 OpenBox,一种开源的黑盒优化服务,可提高用户在自动化机器学习、工程、物理和实验设计等领域的效率和性能,并采用模块化设计和算法普适并行化等方法来优化 BBO 组件。实验证明,OpenBox 相对于现有系统具有更高的效能和效率。
Jun, 2021
机器学习和黑盒优化之间的相互影响性及算法性能的比较研究:基于机器学习和黑盒优化的算法在有限预算下具有较好性能,但随着预算增加,其他算法家族通常表现更好。
Sep, 2023
最近,利用强化学习在元级别上提升元黑盒优化器的能力的 MetaBBO-RL 已经展示出了强大的潜力,然而该领域因缺乏统一的基准而受限。为了填补这一空白,我们引入了第一个专门为开发和评估 MetaBBO-RL 方法而量身定制的基准平台 MetaBox。MetaBox 提供了一个灵活的算法模板,允许用户在该平台内轻松实施其独特的设计。此外,它还提供了 300 多个问题实例,从合成到现实场景的广泛覆盖,并拥有 19 种基准方法的广泛库,包括传统黑盒优化器和最新的 MetaBBO-RL 方法。此外,MetaBox 引入了三个标准化的性能指标,以便更全面地评估方法。为了展示 MetaBox 在促进严谨评估和深入分析方面的实用性,我们对现有的 MetaBBO-RL 方法进行了广泛的基准研究。我们的 MetaBox 是开源的,并且可以在这个 https 的 URL 上访问。
Oct, 2023
本文介绍了 NeurIPS 2020 的黑盒优化挑战赛结果和洞见,强调了评估无导数优化器以调整机器学习模型的超参数的重要性,并在真实数据集上基于多个标准机器学习模型的调整性能进行了排名。
Apr, 2021
ColaBO 是首个贝叶斯规范框架,用于将超出典型内核结构的先前信念整合到优化过程中,能够在准确的先前信息下大幅加速优化,并在误导性信息下保持大致默认性能。
Nov, 2023
本文聚焦于改进高维昂贵黑匣子优化的学习优化框架,并提出一种基于廉价代理函数和进化算法机制的新框架 B2Opt,相比黑匣子优化基准测试,B2Opt 能够实现 3 到百万倍的性能提升。
Apr, 2023
基于扩散模型的逆向建模用于黑盒优化问题,通过设计新颖的获取函数(UaE),它利用条件扩散模型的不确定性在设计空间中生成样本,实现了在线黑盒优化,并在实验中证明了其优越性能。
Jun, 2024
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
RIBBO 是一种从离线数据中强化学习 Black-Box Optimization 算法的方法,采用表达能力强的序列模型学习多个行为算法和任务产生的优化历史,通过集成 regret-to-go tokens 来自动生成满足用户期望遗憾值的查询点,从而在各种问题上实现了普遍良好的实证性能。
Feb, 2024
NUBO 是一种适用于物理实验和计算机模拟器等昂贵的黑盒函数的贝叶斯优化框架,其核心是透明度和用户体验,它使用高斯过程代表目标函数和采集函数指导候选点的选择,同时具有灵活的模块化设计和易于编写的语法,其支持 Python 编写自定义优化回路,是一种易于使用和可定制的 Python 开源软件包。
May, 2023