基于 m-核的协方差函数预训练以加速贝叶斯优化
机器学习
2018-03-14 v2
摘要
本文提出一种用于贝叶斯优化的协方差函数直接学习的新方法，特别关注存在已有浓缩知识语料的实验设计问题。所提方法借鉴再生核 Banach 空间理论（具体为 m-核）的技术，并利用其将现有协方差函数转换（或重新加权）为新的、针对特定问题的协方差函数。该方法的关键优势在于，它构建协方差函数以专门匹配手头问题，而非依赖用户手动选择（辅以某些超参数调优与实验）合适的协方差函数。该技术在两个真实世界问题——具体为合金设计与短聚合物纤维制造——以及一个选定的测试函数上进行了演示。
引用
@article{arxiv.1802.05370,
title = {Covariance Function Pre-Training with m-Kernels for Accelerated Bayesian Optimisation},
author = {Alistair Shilton and Sunil Gupta and Santu Rana and Pratibha Vellanki and Cheng Li and Laurence Park and Svetha Venkatesh and Alessandra Sutti and David Rubin and Thomas Dorin and Alireza Vahid and Murray Height},
journal= {arXiv preprint arXiv:1802.05370},
year = {2018}
}