事件触发的时间变化贝叶斯优化

我们考虑使用时间变化贝叶斯优化(TVBO)顺序优化时间变化目标函数的问题。当前TVBO的方法需要关于恒定变化率的先验知识,以应对由时间变化引起的陈旧数据。然而,在实践中,变化率通常是未知的。我们提出了一种事件触发算法ET-GP-UCB,该算法将优化问题视为静态的,直到检测到目标函数的变化然后重置数据集。这使得算法能够在线适应已实现的时间变化,而无需精确的先验知识。事件触发器基于高斯过程回归中使用的概率均匀误差界。我们推导了在无时间变化精确先验知识情况下自适应重置的悔界,并在数值实验中表明ET-GP-UCB在合成和真实世界数据上都优于竞争的GP-UCB算法。结果表明,ET-GP-UCB无需大量超参数调优即可直接应用。