间歇性异步专家反馈对贝叶斯优化有多大用处？
机器学习
2024-06-11 v1
摘要
贝叶斯优化（BO）是自动化科学发现（即所谓的自驱动实验室）的一个组成部分，其中人类输入理想情况下最少或至少是非阻塞的。然而，科学家通常具有强烈的直觉，因此人类反馈仍然有用。尽管如此，先前通过离线或在线但阻塞（在每个BO迭代时到达）方式将专家反馈融入BO的工作与自驱动实验室的精神不符。在这项工作中，我们研究了少量随机到达并以非阻塞方式融入的专家反馈是否能够改善BO过程。为此，我们在BO循环之上运行一个额外的独立计算线程来处理反馈收集过程。收集到的反馈用于学习一个贝叶斯偏好模型，该模型可以轻松地融入BO线程，以引导其探索-利用过程。在玩具和化学数据集上的实验表明，即使只有少量间歇性的异步专家反馈，也有助于改进或约束BO。这对于改进自驱动实验室尤其有用，例如使其更具数据效率且成本更低。
引用
@article{arxiv.2406.06459,
title = {How Useful is Intermittent, Asynchronous Expert Feedback for Bayesian Optimization?},
author = {Agustinus Kristiadi and Felix Strieth-Kalthoff and Sriram Ganapathi Subramanian and Vincent Fortuin and Pascal Poupart and Geoff Pleiss},
journal= {arXiv preprint arXiv:2406.06459},
year = {2024}
}
备注
AABI 2024. Code: https://github.com/wiseodd/bo-async-feedback