多保真度高斯过程赌博机优化
机器学习
2019-03-19 v4 人工智能
机器学习
摘要
在许多科学与工程应用中，我们的任务是最大化一个评估代价昂贵的黑盒函数 。该问题的传统设定假设仅有此单一函数可用。然而，许多情况下，可获得 的廉价近似。例如，机器人昂贵的真实世界行为可由廉价的计算机仿真近似。我们可以利用这些近似廉价地排除低函数值区域，并在一个小而 promising 的区域中使用 的昂贵评估，从而快速识别最优值。我们将此任务形式化为一个\emph{多保真度}赌博机问题，其中目标函数及其近似从高斯过程中采样。我们开发了 MF-GP-UCB，一种基于上置信界技术的新方法。在我们的理论分析中，我们证明它精确展现出上述行为，并取得比忽略多保真度信息的策略更好的后悔值。实证上，MF-GP-UCB 在多个合成与真实实验中优于此类朴素策略及其他多保真度方法。
引用
@article{arxiv.1603.06288,
title = {Multi-fidelity Gaussian Process Bandit Optimisation},
author = {Kirthevasan Kandasamy and Gautam Dasarathy and Junier B. Oliva and Jeff Schneider and Barnabas Poczos},
journal= {arXiv preprint arXiv:1603.06288},
year = {2019}
}
备注
Preliminary version appeared at NIPS 2016