MONGOOSE：基于元学习的路径平滑贝叶斯优化
机器学习
2024-07-04 v2
摘要
在贝叶斯优化中，我们常寻求最小化现实物理系统中出现的黑盒目标函数。评估此类黑盒目标函数的主要成本通常在于为测量准备系统所需之努力。我们考虑一种常见场景：准备成本随连续评估间距离增大而增长。在此设定下，平滑优化轨迹更受青睐，而标准短视（即一步最优）贝叶斯优化方法产生的跳跃路径为次优。我们的算法MONGOOSE使用元学习的参数化策略生成平滑优化轨迹，在优化具大移动成本的函数时相较现有方法取得性能提升。
引用
@article{arxiv.2302.11533,
title = {MONGOOSE: Path-wise Smooth Bayesian Optimisation via Meta-learning},
author = {Adam X. Yang and Laurence Aitchison and Henry B. Moss},
journal= {arXiv preprint arXiv:2302.11533},
year = {2024}
}