Oct, 2023
一个在嘈杂观测下修正的期望改进获得函数
A Corrected Expected Improvement Acquisition Function Under Noisy Observations
Han Zhou, Xingchen Ma, Matthew B Blaschko
TL;DR我们提出了一种改进的 EI 方法,通过引入高斯过程模型提供的协方差信息,修正了传统的 EI 公式,以达到在有噪声和无噪声的情况下都具有较好泛化性能的目的。我们的实验证明,在黑盒优化的基准函数和神经网络模型压缩的参数搜索中,我们提出的方法在存在噪声观测时能够胜过 EI 方法。