基于采集加权核的排列组合批量贝叶斯优化
机器学习
2023-01-26 v2 机器学习
摘要
本文提出了一种针对排列组合问题的批量贝叶斯优化方法，非常适用于评估代价高昂的目标函数。我们首先引入 LAW，一种基于使用采集加权核的行列式点过程的高效批量采集方法。依靠多次并行评估，LAW 能够在组合空间实现加速搜索。随后我们将该框架应用于排列问题，尽管这类问题具有重要的实际意义，但在贝叶斯优化文献中迄今鲜受关注。我们称此方法为 LAW2ORDER。在理论方面，我们通过证明批量累积后悔为次线性，表明 LAW2ORDER 具有趋于零的简单后悔。在实验上，我们在若干涉及排列的标准组合问题上评估了该方法，例如二次分配、流水车间调度和旅行商问题，以及一个结构学习任务。
引用
@article{arxiv.2102.13382,
title = {Batch Bayesian Optimization on Permutations using the Acquisition Weighted Kernel},
author = {Changyong Oh and Roberto Bondesan and Efstratios Gavves and Max Welling},
journal= {arXiv preprint arXiv:2102.13382},
year = {2023}
}
备注
NeurIPS 2022