协作与联邦黑盒优化：贝叶斯优化视角
机器学习
2025-08-25 v1 机器学习
摘要
我们关注协作与联邦黑盒优化（BBOpt），其中智能体通过协作序贯实验优化其异构黑盒函数。从贝叶斯优化视角出发，我们解决了 BBOpt 中分布式实验、异构性和隐私的根本挑战，并提出了三个统一框架来应对这些问题：（i）实验集中协调的全局框架，（ii）允许智能体基于最少共享信息做决策的局部框架，以及（iii）通过协作增强局部代理模型以改进决策的预测框架。我们将现有方法归类到这些框架中，并强调了释放联邦 BBOpt 全部潜力的关键开放问题。我们的总体目标是将联邦学习从以描述/预测为主的范式转向规范性范式，特别是在 BBOpt 背景下——一个固有的序贯决策问题。
引用
@article{arxiv.2411.07523,
title = {Collaborative and Federated Black-box Optimization: A Bayesian Optimization Perspective},
author = {Raed Al Kontar},
journal= {arXiv preprint arXiv:2411.07523},
year = {2025}
}