面向单任务与多任务优化的最小后悔搜索
机器学习
2016-05-25 v3 信息论
机器学习
机器人学
math.IT
摘要
我们提出最小后悔搜索(MRS, minimum regret search)，一种用于贝叶斯优化的新颖获取函数。MRS 与信息论方法（如熵搜索(ES, entropy search)）有相似之处。然而，虽然 ES 在每次查询中旨在最大化关于全局最大值的信息增益，但 MRS 旨在最小化其针对最优值的最终推荐期望简单后悔(expected simple regret)。虽然在经验上 ES 和 MRS 在大多数情况下表现相似，但 MRS 比 ES 产生更少具有高简单后悔的异常值。我们提供了合成单任务优化问题以及模拟多任务机器人控制问题的经验结果。
引用
@article{arxiv.1602.01064,
title = {Minimum Regret Search for Single- and Multi-Task Optimization},
author = {Jan Hendrik Metzen},
journal= {arXiv preprint arXiv:1602.01064},
year = {2016}
}
备注
Final version for ICML 2016