安全多任务贝叶斯优化
该论文提出一种基于安全约束的 Bayesian 优化算法,通过高斯过程先验和上下文变量,在保证安全的前提下实现对机器人算法参数的快速优化。
Feb, 2016
研究提出了一种基于安全保证的 SafeOpt 算法的改进,通过使用最新的高斯过程界限来保留所有的理论保证,并且引入了 Lipschitz-only Safe Bayesian Optimization 算法,它在没有 RKHS 边界假设的情况下保证了安全性,并且在多种函数类上表现出优于现有算法的性能,同时还提出了 Lipschitz-only GP-UCB 来扩展算法在高维问题上的适用性。
Mar, 2024
本研究针对优化未知效用函数的绝对或偏好反馈时的安全性约束问题,提出了一种有效的安全贝叶斯优化算法 StageOpt,并通过理论和临床实验验证了 StageOpt 在扩展安全区域和最大化效用函数两个阶段上的高效性和效果优于现有方法的特点。
Jun, 2018
本文提出了一种基于 Bayesian optimization 和在线 conformal prediction 的方法,称为 SAFE-BOCP,可以保证不会选择任何不安全的解决方案,同时具有高灵活性和实验验证。
Jun, 2023
本文提出一种基于元学习的数据驱动方法,以从离线数据中元学习优化安全贝叶斯优化的先验知识,通过经验不确定度度量和前沿搜索算法选择符合安全限制的先验范围,加速了安全 BO 方法的收敛速度并保持了安全。
Oct, 2022
本文提出了一种基于贝叶斯优化的安全验证算法,它通过迭代地适配概率代理模型来高效预测故障,并通过重要性采样来估计操作域内的故障概率。经实验表明,该算法在减少样本数和各种安全验证指标方面表现良好,并可用于补充机器学习组件的 FAA 认证过程。
May, 2023
本文介绍一种为解决调参过程可能导致的安全失败问题而开发的安全优化算法 ——SafeOpt,该算法通过将性能度量建模为高斯过程并探索高于安全性能阈值的新控制器参数来自动优化控制器参数,以实现快速、自动和安全的控制器参数优化,实验数据表明该方法可以在不需要人工干预的情况下快速、自动、安全地优化控制器参数。
Sep, 2015
该论文介绍了一种使用多任务高斯过程模型和克罗内克结构的精确采样技术的黑盒优化方法,可用于多个相关目标的优化,并可应用于涉及成千上万个相关输出的任务,从而实现了与现有方法相比较大的样本效率提高。
Jun, 2021
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