具有信息噪声分布的异方差偏好贝叶斯优化
本文介绍了一种名为 PBO 的新框架,它扩展了标准 BO 的思想,并通过模型化 Bernoulli - 高斯过程模型来建模每个决斗的赢家概率,从而允许在仅通过两两比较的方式来查询隐函数,并且相对于以往方法,该方法在寻找最大值过程中需要极少的比较。
Apr, 2017
通过使用偏好反馈,我们构建了黑盒函数的置信区间,并提出了一种乐观算法,该算法具有有效的计算方法,并且在累积遗憾方面具有信息理论上的界限,从而使我们能够设计出具有收敛速率保证的估计最佳解决方案的方案。实验结果表明,我们的方法在高斯过程、标准测试函数和热舒适优化问题上都能稳定地达到更好或者有竞争力的性能,相比现有的启发式方法而言,我们的方法不仅拥有遗憾界限或收敛性的理论保证。
Feb, 2024
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
基于泊松过程的贝叶斯优化方法,提出了一种基于排名的替代模型。通过两个定制的获取函数,解决了传统方法中的计算成本高和对噪音敏感的问题,并在模拟和真实世界基准测试中证明了其有效性。
Feb, 2024
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
我们提出了一种人工智能与人类专家协作的贝叶斯框架,将未测量的抽象属性的专家偏好引入代理模型,进一步提高贝叶斯优化的性能。实验结果表明,我们的方法在合成函数和真实数据集上优于基准方法。
Feb, 2024
介绍了一种适用于解释性要求高场景下的基于正则化的 BO 方法(SEBO),以发现稀疏且解释性更高的配置。该方法使用一种基于连续同伦的可微松弛技巧,使其能够在直接处理 L0 正则化的同时实现目标优化和稀疏化探索,经过合成和真实世界问题的评估,证明这种方法能够有效优化稀疏化问题。
Mar, 2022
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
机器人技术和自动化为解决材料发现等难以处理的多变量科学问题提供了巨大的加速,而巨大的搜索空间可能令人望而生畏。贝叶斯优化(BO)已成为一种流行的高效样本优化引擎,在目标函数 / 属性没有已知的解析形式的任务中蓬勃发展。本文利用专家人类假设的形式来更快地将贝叶斯搜索定向到化学空间的有前途的区域。我们提出的方法称为 HypBO,利用专家人类假设生成改进的样本种子。不太有希望的种子被自动折扣,而有希望的种子被用于增加代理模型数据,从而实现更有信息的抽样。这个过程在一个全局与局部搜索的框架中继续进行。我们在一系列合成函数上验证了我们方法的性能,并在一个真实的化学设计任务上展示了其实用性,其中使用专家假设显著加速了搜索性能。
Aug, 2023