基于因果先验的多目标多保真贝叶斯优化
机器学习
2026-02-03 v1 人工智能
摘要
多保真贝叶斯优化（MFBO）通过整合低成本、低保真近似值来加速黑盒函数全局最优值的搜索。在MFBO策略中，核心任务是平衡低保真代理的成本效率与其保真度降低之间的权衡，以确保有效逼近高保真最优值。现有MFBO方法主要捕捉输入、保真度和目标之间关联性依赖关系，而非因果机制，当低保真代理与目标保真度对齐度较差时，可能表现不佳。我们提出了RESCUE（REducing Sampling cost with Causal Understanding and Estimation，降低抽样成本的因果理解与估计方法），一种融合因果微积分以系统性解决此挑战的多目标MFBO方法。RESCUE学习捕捉输入、保真度和目标之间因果关系的结构因果模型，并据此构建概率多保真（MF）替代模型，编码干预效应。凭借因果结构，我们引入因果超体积知识梯度获取策略，以选择在预期多目标改进与成本之间进行平衡的输入-保真度对。我们在机器人、机器学习（AutoML）和医疗保健等领域的合成问题和真实问题上表明，RESCUE相对于最先进的MF优化方法在样本效率方面具有显著优势。
引用
@article{arxiv.2602.00788,
title = {Multi-Objective Multi-Fidelity Bayesian Optimization with Causal Priors},
author = {Md Abir Hossen and Mohammad Ali Javidian and Vignesh Narayanan and Jason M. O'Kane and Pooyan Jamshidi},
journal= {arXiv preprint arXiv:2602.00788},
year = {2026}
}