$\epsilon$-shotgun：$\epsilon$-贪婪批量贝叶斯优化

贝叶斯优化是一种流行的、基于代理模型的优化昂贵黑盒函数的方法。给定代理模型，下一个需要昂贵评估的位置通过最大化易于查询的采集函数来选择。我们提出了一种用于批量设置下贝叶斯优化的 $\epsilon$-贪婪过程，其中黑盒函数可以并行多次评估。我们的 $\epsilon$-shotgun 算法利用模型的预测、不确定性以及景观变化率的近似值，来确定围绕假定位置分布的批量解的散布程度。初始目标位置要么以利用方式在均值预测上选择，要么——以概率 $\epsilon$——从设计空间的其他地方选择。这导致在函数快速变化的区域以及预测为良好（即接近预测最优值）的位置处采样更密集，而在函数更平坦和/或质量较差的区域采样更分散。我们在一系列合成函数和两个真实世界问题上对 $\epsilon$-shotgun 方法进行了实证评估，发现它们至少与最先进的批量方法表现相当，并且在许多情况下超越了其性能。