基于 Wasserstein 空间中生成模型的黑盒函数全局优化

我们提出了一种用于黑盒仿真器的梯度-free 优化的新型不确定性估计器。对于随机仿真器和高维问题而言，仿真器的优化尤为具有挑战性。为此，我们采用深度生成 surrogate 方法对整个参数空间的黑盒响应进行建模。随后，我们利用这一知识来估计基于 Wasserstein 距离的提出的不确定性——即 Wasserstein 不确定性。该方法被用于一种后验无关的梯度-free 优化算法，以最小化整个参数空间中的后悔。我们进行了一系列测试，表明该方法在黑盒函数形状以及黑盒的随机响应方面，比基于深度高斯过程 surrogate 的有效全局优化等最先进方法更具鲁棒性。