基于高斯过程的对抗鲁棒优化
机器学习
2018-11-05 v2 机器学习
摘要
在本文中，我们考虑带有附加鲁棒性要求的高斯过程（GP）优化问题：返回的点可能被对手扰动，且我们要求即使在扰动后函数值仍尽可能高。该问题受以下情形启发：优化与实施阶段的基础函数不同，或当人们对寻找一整块优良输入区域而非仅单个点感兴趣时。我们表明标准GP优化算法不具备所需的鲁棒性性质，并为此目的提供了一种新颖的基于置信界的算法StableOpt。我们严格确立了StableOpt找到近最优点所需的样本数量，并以一个算法无关的下界补充该保证。我们利用真实世界数据集实验演示了若干感兴趣的应用潜力，并表明StableOpt在若干基线方法失败的场合始终成功找到稳定最大化点。
引用
@article{arxiv.1810.10775,
title = {Adversarially Robust Optimization with Gaussian Processes},
author = {Ilija Bogunovic and Jonathan Scarlett and Stefanie Jegelka and Volkan Cevher},
journal= {arXiv preprint arXiv:1810.10775},
year = {2018}
}
备注
Corrected typos