Mar, 2024

有针对性的方差减少：具有噪声参数的黑盒模拟器的鲁棒贝叶斯优化

PDF
TL;DR针对黑盒模拟器优化问题，本文提出了一种名为目标方差缩减（TVR）的贝叶斯优化方法，通过联合采集函数对控制参数和不确定参数进行同时优化，以有效实现鲁棒优化。该方法在泛函高斯过程模型的基础上，通过闭合形式计算采集函数，展现了探索 - 开发 - 精确性的平衡，可适应广泛的非高斯分布，并通过数值实验和针对汽车制动盘的案例研究验证了其优越性能。
black-box simulatorrobust optimizationbayesian optimizationjoint acquisitionvariance reduction
发现论文，激发创造
  • 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

  • 截断方差缩减：贝叶斯优化和水平集估计的统一方法

    本文提出了一个新算法 TruVaR，它统一处理了基于高斯过程的贝叶斯优化（BO）和水平集估计（LSE）。该算法通过对一组潜在优化点（BO）或未分类点（LSE）的截断方差的求和进行贪婪收缩，并根据置信度边界进行更新。TruVaR 在几个重要的设置中表现出了有效性，这些设置通常难以纳入近视算法中，包括单点成本和异方差噪声。我们提供了 TruVaR 的一般理论保证，其中涵盖了这些方面，并用其恢复和加强了有关 BO 和 LSE 的现有结果。此外，我们为选取具有相关成本的噪声级别的局面提供了新的结果。我们在合成和真实数据集上展示了该算法的有效性。

    Oct, 2016

  • 伪贝叶斯优化

    采用拟贝叶斯优化的框架，通过利用简单的局部回归和随机化先验构建来量化不确定性，并保证收敛性，有效地优化高维度的综合实验、超参数调整和机器人应用的例子中胜过最先进的基准测试。

    Oct, 2023

  • 风险度量的贝叶斯优化

    研究了基于贝叶斯优化算法的目标函数，其中目标函数采用 VaR 或 CVaR 风险度量，算法通过将目标函数建模为高斯过程来提高采样效率，并在投资组合优化和鲁棒系统设计等领域得到了有效应用。

    Jul, 2020

  • 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

  • 反向传播虚空：针对黑盒梯度估计优化控制变量

    本研究介绍了一种通用框架，用于学习随机变量的黑盒函数的低方差、无偏梯度估计器，并应用于训练离散潜变量模型以及提出了基于优势演员 - 评论家强化学习算法的无偏、行为条件扩展。

    Oct, 2017

  • 重尾利润下的贝叶斯优化

    本文通过对高斯过程黑盒优化中噪音模型的研究，提出了一种可用于重尾噪音的、基于核函数的 UCB 算法以及基于核函数近似的贝叶斯优化算法，解决了现有算法在重尾噪音下表现较差的问题，并在人造和真实数据集上验证了算法性能。

    Sep, 2019

  • 基于贝叶斯优化的鲁棒模型预测控制在模型参数不确定性下的应用

    提出了一种自适应优化方法，用于调整随机模型预测控制 (MPC) 的超参数，同时基于性能奖励估计转换模型参数的概率分布。用异方差噪声模型开发贝叶斯优化算法来处理超参数和动力学模型参数空间中的噪声变化。试验结果表明我们的方法可以得到更高的累积回报和更稳定的控制器。

    Mar, 2022

  • 基于仿真的贝叶斯优化

    模拟基于贝叶斯优化 (SBBO) 是一种用于优化黑盒函数的新方法，只需要通过基于采样的后验预测分布进行访问。该方法允许在涉及组合空间和离散变量的情况下使用适用于组合空间的概率代理模型。在组合优化的应用中，我们通过使用不同的代理模型在实证上证明了 SBBO 方法的有效性。

    Jan, 2024

  • 贝叶斯优化中的均值方差分析

    本文研究了在不确定环境下的主动学习问题，着重于基于贝叶斯优化的均值 - 方差分析问题，针对高斯过程模型的多任务、多目标和约束优化场景，提出了考虑不确定因素的均值 - 方差权衡的风险度量上下界的主动学习算法，并通过理论和数值实验证明了其有效性。

    Sep, 2020