改进的约束多目标贝叶斯优化最大价值熵搜索
机器学习
2021-04-05 v2 机器学习
摘要
我们提出 MESMOC+,即约束多目标贝叶斯优化最大价值熵搜索(MESMOC)的改进版本。当目标与约束的评估代价高昂时,MESMOC+ 可用于求解约束多目标问题。MESMOC+ 通过最小化函数空间中优化问题解(即帕累托前沿)的熵来引导对最优解的搜索。MESMOC+ 的代价在目标与约束数量上呈线性。此外,它通常显著小于基于最小化帕累托集熵的替代方法之代价。原因在于 MESMOC+ 中所需计算更易近似。而且,MESMOC+ 的采集函数表示为每个黑盒(目标或约束)一个采集函数之和。因此,它可用于解耦评估设置,其中不仅选择下一个待评估的输入位置,还选择在那里评估哪个黑盒。我们在合成与真实优化问题中将 MESMOC+ 与相关方法比较。这些实验表明 MESMOC+ 提供的熵估计比先前方法更精确。这带来了更好的优化结果。MESMOC+ 在约束多目标贝叶斯优化中也与其他基于信息的方法具有竞争力,但显著更快。
引用
@article{arxiv.2011.01150,
title = {Improved Max-value Entropy Search for Multi-objective Bayesian Optimization with Constraints},
author = {Daniel Fernández-Sánchez and Eduardo C. Garrido-Merchán and Daniel Hernández-Lobato},
journal= {arXiv preprint arXiv:2011.01150},
year = {2021}
}