多目标贝叶斯优化中的单代理与多代理方法
机器学习
2022-08-16 v1 人工智能
摘要
贝叶斯优化（BO）已被广泛用于求解具有昂贵函数评估的问题。在多目标优化问题中，BO 旨在找到一组近似 Pareto 最优解。在多目标 BO 中构建代理模型通常有两种方式：通过聚合目标函数（使用标量化函数，亦称单代理方法）构建一个代理，以及为各目标函数分别构建多个代理（亦称多代理方法）。两种方法均使用采集函数（AF）引导搜索过程。单代理的优势在于仅使用一个模型，但该方法有两个主要局限。首先，标量化函数与目标函数的适应度地形可能并不相似。其次，该方法假设标量化函数分布为高斯分布，从而可使用采集函数的闭式表达。本工作中，我们通过对每个目标函数构建代理模型克服了这些局限，并证明标量化函数分布并非高斯分布。我们使用广义极值分布近似该分布。在标准基准与真实世界优化问题上与现有方法的对比结果展示了多代理方法的潜力。
引用
@article{arxiv.2208.07240,
title = {Mono-surrogate vs Multi-surrogate in Multi-objective Bayesian Optimisation},
author = {Tinkle Chugh},
journal= {arXiv preprint arXiv:2208.07240},
year = {2022}
}