面向贝叶斯优化的数据驱动先验学习
机器学习
2024-04-22 v2 机器学习
摘要
贝叶斯优化的迁移学习通常假设优化任务之间具有强相似性，至少存在子集具有相似的最优输入。该假设可降低计算成本，但在大量可能仍有用的优化问题中被违背。我们用一个更弱的假设取代它，仅要求优化景观的形状相似，并在该设定下分析近期方法“贝叶斯优化先验学习——PLeBO”。通过学习高斯过程代理模型超参数的先验，我们可以更好地近似底层函数，尤其在少量函数评估时。我们使用合成数据和近期空气污染优化问题作为基准，验证了所学先验并与广泛的迁移学习方法比较。我们表明 PLeBO 和先验迁移能用更少的评估找到良好输入。
引用
@article{arxiv.2311.14653,
title = {Data-driven Prior Learning for Bayesian Optimisation},
author = {Sigrid Passano Hellan and Christopher G. Lucas and Nigel H. Goddard},
journal= {arXiv preprint arXiv:2311.14653},
year = {2024}
}
备注
Presented at the NeurIPS 2023 Workshop on Adaptive Experimental Design and Active Learning in the Real World