DisCo-DSO：离散与连续优化的耦合用于混合空间中的高效生成式设计
机器学习
2024-12-17 v1 最优化与控制
摘要
我们考虑了黑箱优化在混合离散-连续和可变长空间中的挑战，这种问题在决策树学习和符号回归等各种应用中都有出现。我们提出了 DisCo-DSO（Discrete-Continuous Deep Symbolic Optimization），这是一种新方法，利用生成模型学习离散和连续设计变量的联合分布，以对新混合设计进行采样。与标准解耦方法不同，后者分别优化离散和连续变量，我们的联合优化方法使用的目标函数评估次数更少，能够抵抗非可微目标，能够从先前样本中学习以引导搜索，从而在性能和样本效率方面实现显著提升。我们在多样化的优化任务上进行实验，表明随着问题复杂度的增加，DisCo-DSO 的优势愈发明显。特别是，我们展示了 DisCo-DSO 在可解释强化学习中使用决策树的领先方法。
引用
@article{arxiv.2412.11051,
title = {DisCo-DSO: Coupling Discrete and Continuous Optimization for Efficient Generative Design in Hybrid Spaces},
author = {Jacob F. Pettit and Chak Shing Lee and Jiachen Yang and Alex Ho and Daniel Faissol and Brenden Petersen and Mikel Landajuela},
journal= {arXiv preprint arXiv:2412.11051},
year = {2024}
}
备注
Accepted at AAAI-25