贝叶斯优化与主动学习中使用对偶高斯过程的幻想方法
机器学习
2022-11-03 v1 机器学习
摘要
高斯过程(GPs)是用于贝叶斯优化和主动学习等序列建模的主要代理函数。其缺点是与数据的扩展性差，以及在使用非高斯似然时需要运行优化循环。在本文中，我们关注需要能够计算高效地以新幻想数据为前提的“幻想”批量获取函数。通过使用稀疏对偶GP参数化，我们获得了随批量大小线性扩展以及对非高斯似然的一步更新，从而将稀疏模型扩展到贪婪批量幻想获取函数。
引用
@article{arxiv.2211.01053,
title = {Fantasizing with Dual GPs in Bayesian Optimization and Active Learning},
author = {Paul E. Chang and Prakhar Verma and ST John and Victor Picheny and Henry Moss and Arno Solin},
journal= {arXiv preprint arXiv:2211.01053},
year = {2022}
}
备注
In the 2022 NeurIPS Workshop on Gaussian Processes, Spatiotemporal Modeling, and Decision-making Systems