MISO-wiLDCosts：具有位置相关成本的多信息源优化
机器学习
2021-02-10 v1 最优化与控制
机器学习
摘要
本文处理多个信息源上的黑盒优化问题，其中各信息源的保真度与查询成本均随搜索空间变化，即它们是位置相关的。该方法使用：(i) 近期在多信息源优化中提出的增广高斯过程（Augmented Gaussian Process），作为搜索空间与信息源上目标函数的单一模型；(ii) 一个高斯过程来建模每个信息源的位置相关成本。前者被用于基于置信界（Confidence Bound）的采集函数中以选择下一个待查询的信息源与位置，而后者用于根据该源-位置对的期望查询成本对采集函数值进行惩罚。所提方法在一组超参数优化任务上进行了评估，这些任务包含两个机器学习分类器与三个不同规模的数据集。
引用
@article{arxiv.2102.04951,
title = {MISO-wiLDCosts: Multi Information Source Optimization with Location Dependent Costs},
author = {Antonio Candelieri and Francesco Archetti},
journal= {arXiv preprint arXiv:2102.04951},
year = {2021}
}