BREATHE：基于二阶梯度与异方差仿真的设计空间探索
机器学习
2023-08-21 v1
摘要
研究人员不断努力在各种科学研究和物理实验中探索更大更复杂的搜索空间。然而，此类研究通常涉及复杂的模拟器或耗时的实验，使得探索和观测新设计样本具有挑战性。以往针对此类应用的工作通常样本效率低且局限于向量搜索空间。为应对这些局限，本文提出一种称为BREATHE的约束多目标优化（MOO）框架，它不仅搜索传统的基于向量的设计空间，还搜索基于图的设计空间以获得性能最优的图。它利用二阶梯度并主动训练异方差代理模型以实现样本高效优化。在单目标向量优化应用中，其性能比次优基线随机森林回归高64.1%。在基于图的搜索中，BREATHE优于次优基线（即基于高斯过程的贝叶斯优化的图版本），性能最高提升64.9%。在MOO任务中，其超体积比最先进方法多目标贝叶斯优化（MOBOpt）最高高21.9。BREATHE在大多数标准MOO基准应用上也优于基线方法。
引用
@article{arxiv.2308.08666,
title = {BREATHE: Second-Order Gradients and Heteroscedastic Emulation based Design Space Exploration},
author = {Shikhar Tuli and Niraj K. Jha},
journal= {arXiv preprint arXiv:2308.08666},
year = {2023}
}