通过融入实验者直觉加速实验设计
机器学习
2019-07-23 v1 人工智能
机器学习
摘要
实验设计是一种通过实验获得具有目标属性的产品的过程。当实验代价高昂时,贝叶斯优化提供了一种样本高效的实验设计工具。通常,专家实验者对所实验系统的行为有“直觉”,提供了进一步提升效率的潜力。在本文中,我们考虑底层属性中逐变量的单调趋势,这导致这些变量在目标值优化中呈现单峰趋势。例如,糖果的甜度对糖含量是单调的。然而,为获得目标甜度,糖含量的效用变为一个单峰函数,其在给出目标甜度的值处达到峰值并向两侧下降。在本文中,我们提出一种解决此类问题的新方法,实现了两个主要目标:a)尽可能充分地利用单调性信息,同时确保 b)收敛保证保持完好。这通过两阶段高斯过程建模实现,其中第一阶段利用单调性趋势对底层属性建模,第二阶段使用从第一阶段采样的“虚拟”样本对目标值优化函数建模。通过在后验计算中加入适当的调整因子,使该过程在理论上保持一致,而这是由于使用“虚拟”样本所必需的。所提方法通过模拟以及真实世界实验设计问题得到评估:a)具有目标长度的新型短聚合物纤维,以及 b)具有目标孔隙率的新型三维多孔支架设计。在所有场景中,我们的方法均展现出比不使用此类“直觉”的基础贝叶斯优化方法更快的收敛。
引用
@article{arxiv.1907.09065,
title = {Accelerating Experimental Design by Incorporating Experimenter Hunches},
author = {Cheng Li and Santu Rana and Sunil Gupta and Vu Nguyen and Svetha Venkatesh and Alessandra Sutti and David Rubin and Teo Slezak and Murray Height and Mazher Mohammed and Ian Gibson},
journal= {arXiv preprint arXiv:1907.09065},
year = {2019}
}
备注
IEEE International Conference on Data Mining (ICDM) 2018