基于热启动贝叶斯优化的可控高代价多目标学习
机器学习
2024-02-12 v2 最优化与控制
摘要
帕累托集学习（PSL）是一种在多多目标优化（MOO）问题中逼近整个帕累托前沿的有前景的方法。然而，现有的无导数 PSL 方法往往不稳定且效率低，尤其是对于目标函数评估代价高昂的高代价黑盒 MOO 问题。本工作中，我们提出用一种新颖的可控 PSL 方法（称为 Co-PSL）来解决现有 PSL 方法的不稳定性与低效性。具体而言，Co-PSL 包含两个阶段：（1）热启动贝叶斯优化以获得高质量的高斯过程先验；（2）可控帕累托集学习以精确获取从偏好到相应帕累托解的参映射。前者用于帮助稳定 PSL 过程并减少高代价函数评估次数。后者用于支持冲突目标间的实时权衡控制。在合成与真实世界 MOO 问题上的性能展示了我们的 Co-PSL 在高代价多目标优化任务中的有效性。
引用
@article{arxiv.2311.15297,
title = {Controllable Expensive Multi-objective Learning with Warm-starting Bayesian Optimization},
author = {Quang-Huy Nguyen and Long P. Hoang and Hoang V. Viet and Dung D. Le},
journal= {arXiv preprint arXiv:2311.15297},
year = {2024}
}