Nov, 2023

批量贝叶斯优化用于可重复的实验设计

PDF
TL;DR研究提出了 Batch Thompson Sampling for Replicable Experimental Design (BTS-RED) 框架，包含三个算法，用于解决实验设计中的多个条件同时评估和重复观测噪声大而异方差的问题。三个算法分别适用于已知和未知噪声方差的情况，并能在噪声异方差的情况下保证理论性能，实现风险规避的优化，适用于精准农业和自动机器学习等实际应用。
发现论文，激发创造
  • 批次贝叶斯优化的最佳初始化

    采用 Bayesian optimization 的 Minimal Terminal Variance (MTV) 方法通过优化设计而非随机抽样选择实验批次，并应用于初始批次和后续批次，以减少设计和评估工程系统质量所需的总时间。

    Apr, 2024

  • 在线自适应交通实验的批处理贝叶斯采样算法实用性评估

    本文通过对自适应交通实验的多臂赌博算法、贝叶斯批次赌博算法和流量分配等进行研究，提出了四种新的贝叶斯采样算法（NB-TS，WB-TS，NB-TTTS 和 WB-TTTS）并进行了综合评估。评估结果显示，WB-TTTS 是一个有前途的选择，如果 A/B 测试的惩罚可承受（例如，信息损失），否则 NB-TS 仍然是对于试验具有惩罚考虑的一个强大选择。

    May, 2023

  • 具有噪声实验的约束贝叶斯优化

    本文提出一种基于贝叶斯优化的方法用于有噪声的随机实验，通过利用贪心批量优化和拟蒙特卡罗逼近，有效地优化了多个连续参数，并在 Facebook 进行的真实实验中验证了其性能。

    Jun, 2017

  • 批次贝叶斯优化

    本文基于高斯过程置信上界算法（Gaussian process upper confidence bound）和汤普森抽样方法（Thompson sampling）提出了两个贝叶斯优化算法，同时给出了频率学派的遗憾保证和数值结果。

    Nov, 2019

  • 基于贝叶斯优化的高效黑盒红队测试

    提出了一种基于贝叶斯优化的黑盒反向渗透方法，利用预定义用户输入池和过去的评估迭代地识别多样的正向测试用例，以在有限的查询预算下找到更多的多样的正向测试用例。

    May, 2023

  • 基于数据驱动的回流实验：理论权衡和经验贝叶斯设计

    我们研究在单个聚合单元上进行的回溯实验的设计和分析问题，推导出了误差估计依赖于交叉效应、周期性、序列相关的结果以及同步实验的影响等四个因素，并提出了三个新的设计见解，最后提出了一种基于经验贝叶斯的设计方法，并在实际数据的基础上进行了验证。

    Jun, 2024

  • 最小化 Thompson 采样后悔率对标准差比率 (TS-RSR)：一种可证明高效的批量贝叶斯优化算法

    该论文提出了一种新的批处理贝叶斯优化方法，通过最小化概率预测均值或不确定性来协调每个批次中选择的动作，以减少冗余，并在非凸测试函数上表现出卓越的性能。

    Mar, 2024

  • 短时、高容量的多臂 / 波段测试

    现代平台利用随机实验从给定的项目集（“处理”）中进行明智决策。本研究探讨了一种贝叶斯多次播放自助游问题，涵盖了具有高容量短寿命项目的多元测试（或 “多个 A/B 测试”）问题的关键特点。通过大规模领域实验证明，我们的策略比平台当前的推荐系统在总持续时间上提升了 4.32％，点击次数上提升了 7.48％。

    Dec, 2023

  • 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

  • 利用随机先验网络进行高维输出的可伸缩贝叶斯优化

    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