异步 ε-贪婪贝叶斯优化

批量贝叶斯优化（BO）是一种用于优化昂贵黑盒函数的成功技术。异步 BO 可以在一次评估结束时立即开始新的评估，从而最大限度地利用资源，减少挂钟时间。为了最大化资源分配，我们开发了一种新颖的异步 BO 方法 AEGiS（Asynchronous $\epsilon$-Greedy Global Search，异步 ε-贪婪全局搜索），该方法将贪婪搜索（利用代理模型的均值预测）与 Thompson 采样以及从描述利用（代理均值预测）与探索（代理后验方差）之间权衡的近似 Pareto 集中随机选择相结合。我们在合成基准问题、元代理超参数调优问题和真实世界问题上通过实验证明了 AEGiS 的有效性，表明 AEGiS 通常优于现有的异步 BO 方法。在仅有单个工作节点可用时，其性能不劣于使用期望改进的 BO。