BOtied：基于绑定多元秩的多目标贝叶斯优化
机器学习
2024-06-10 v2 机器学习
摘要
许多科学和工业应用需要联合优化多个潜在冲突的目标。多目标贝叶斯优化（MOBO）是一种样本高效的框架，用于识别帕累托最优解。MOBO的核心是基于采集函数，其通过在各目标间导航最佳折衷来决定下一个待评估候选点。本文中，我们展示了非支配解与联合累积分布函数（CDF）极值分位数之间的自然联系。受此联系启发，我们提出了帕累托相容的CDF指标及相应的采集函数 BOtied。BOtied 继承了CDF理想的不变性性质，并且利用 copula 的高效实现使其可扩展到多个目标。我们在多种合成与真实世界问题上的实验表明，BOtied 在保持对多目标计算高效的同时，优于最先进的 MOBO 采集函数。
引用
@article{arxiv.2306.00344,
title = {BOtied: Multi-objective Bayesian optimization with tied multivariate ranks},
author = {Ji Won Park and Nataša Tagasovska and Michael Maser and Stephen Ra and Kyunghyun Cho},
journal= {arXiv preprint arXiv:2306.00344},
year = {2024}
}
备注
12 pages (+9 appendix), 13 figures. Accepted at ICML 2024