Jun, 2023

BOtied: 带绑定多元等级的多目标贝叶斯优化

PDF
TL;DR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。
multi-objective bayesian optimizationpareto-optimal solutionscdf indicatoracquisition functionbotied
发现论文，激发创造
  • 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

  • 具有预期超体积改进的多噪声目标并行贝叶斯优化

    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

  • 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

  • 基于扩散模型的昂贵多目标贝叶斯优化

    多目标贝叶斯优化通过引入复合扩散模型和信息熵加权方法，在昂贵多目标优化问题中获得高质量解集，并在合成基准和实际问题上展示了卓越性能。

    May, 2024

  • 帕累托前沿多样化批次多目标贝叶斯优化

    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

  • 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

  • 优先多目标贝叶斯优化

    基于偏好的贝叶斯优化（PBO）框架用于优化决策者对可用设计选择的潜在偏好。本文提出了第一个具有多目标的 PBO 框架，并介绍了 dueling scalarized Thompson sampling（DSTS），它是一种流行的 dueling Thompson 算法的多目标推广。研究发现 DSTS 在多个测试函数和模拟的个性化外骨骼和驾驶政策设计任务中优于其他基准算法，并证明了 DSTS 是渐进一致的，为 PBO 中的 dueling Thompson 采样提供了首个收敛保证。

    Jun, 2024

  • 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

  • 昂贵多目标优化的 Pareto 集学习

    本文提出了一种基于学习的方法，将分解式多目标优化算法 (MOEA/D) 从有限种群推广到模型，以近似整个 Pareto 集，为决策者提供灵活的决策，并展示实验结果。

    Oct, 2022

  • Top-k 排名贝叶斯优化

    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。

    Dec, 2020