基于因果原理的多源贝叶斯优化扩展
机器学习
2026-02-17 v1 机器学习
摘要
多源贝叶斯优化（Multi-Source Bayesian Optimization, MSBO）是传统贝叶斯优化（BO）框架的一个变体，适用于目标黑箱函数在多个信息源（如仿真、替代模型或真实实验）上的优化场景。然而，传统MSBO假设目标函数的输入变量是独立同分布的，这限制了其在可获得因果信息且可进行干预的情况下的有效性，如临床试验或政策制定。单源情境下的因果贝叶斯优化（Causal Bayesian Optimization, CBO）已将因果原理引入标准BO，实现更精确的优化、更好的决策以及更高效的低成本信息源利用。在本文中，我们提出将MSBO与CBO原方法论在多源情境下的原则性集成，利用两者的优势以提高优化效率并降低高维问题的计算复杂度。我们present了因果与多源贝叶斯优化的理论基础，阐述了它们的协同作用如何塑造我们的多源因果贝叶斯优化（Multi-Source Causal Bayesian Optimization, MSCBO）算法。我们对比了MSCBO与其基础方法在含不同噪声水平的合成数据集和真实数据集上的性能，凸显了MSCBO的鲁棒性与适用性。基于我们的发现，我们得出结论，将MSBO与CBO的因果原理相结合可实现降维、降低运营成本，最终提高收敛速度、性能和可扩展性。
引用
@article{arxiv.2602.14791,
title = {Extending Multi-Source Bayesian Optimization With Causality Principles},
author = {Luuk Jacobs and Mohammad Ali Javidian},
journal= {arXiv preprint arXiv:2602.14791},
year = {2026}
}
备注
An extended abstract version of this work was accepted for the Proceedings of the 25th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2026)