使用单调神经网络集成进行贝叶斯优化与偏好探索
机器学习
2026-01-15 v5 最优化与控制
机器学习
摘要
许多现实黑箱优化问题存在多个相互冲突的目标。与尝试逼近整个帕累托最优解集不同，交互式偏好学习可将搜索聚焦于最相关的子集。然而，few 前研究未充分利用实用函数通常为单调这一事实。本文针对贝叶斯优化与偏好探索 (BOPE) 问题，提出使用神经网络集成作为效用替代模型。该方法自然集成了单调性，支持二元比较数据。我们的实验表明，所提方法优于最先进的方法，抗噪能力强。消融研究突出显示了单调性在提升性能中的关键作用。
引用
@article{arxiv.2501.18792,
title = {Bayesian Optimization with Preference Exploration using a Monotonic Neural Network Ensemble},
author = {Hanyang Wang and Juergen Branke and Matthias Poloczek},
journal= {arXiv preprint arXiv:2501.18792},
year = {2026}
}