受约束的多保真贝叶斯优化：自动停止条件
人工智能
2025-03-25 v2 机器学习
机器学习
摘要
贝叶斯优化 (BO) 正在被广泛应用于关键应用，以最小成本寻找最优设计。尽管 BO 因其样本效率而被广泛认可，但仅依赖高成本的高保真数据仍可能导致高额成本。这在受约束搜索空间中尤为突出，因为 BO 不仅要进行优化，还需确保可行性。贝叶斯优化文献中还存在系统性停止准则缺失的问题。为解决这些挑战，我们开发了受约束成本感知多保真贝叶斯优化 (CMFBO) 框架，其目标是通过利用低成本的低保真数据源来最小化总体采样成本，同时确保可行性。在本研究中，约束条件可以跨越数据源变化，甚至可能是黑箱函数。我们还引入了一个系统性的停止准则，以解决贝叶斯优化收敛性评估长期存在的难题。该框架通过 GP+ Python 包在 GitHub 上公开，本文通过多个基准问题验证了其有效性。
引用
@article{arxiv.2503.01126,
title = {Constrained multi-fidelity Bayesian optimization with automatic stop condition},
author = {Zahra Zanjani Foumani and Ramin Bostanabad},
journal= {arXiv preprint arXiv:2503.01126},
year = {2025}
}