非占有式多目标贝叶斯优化
机器学习
2025-05-02 v2 人工智能
摘要
我们考虑解决昂贵黑箱目标函数的多目标优化（MOO）的有限时序序列实验设计问题。这一问题在诸多实际应用中都有出现，包括材料设计，在该场景中我们面临着有限的资源预算来制作和评估候选材料。我们采用贝叶斯优化（BO）的框架，提出了一套用于MOO问题的首批非占有式方法。先前的非占有式BO针对单目标问题依赖贝尔曼最优原理来处理前瞻推理过程。然而，由于奖励函数需要满足一些条件：标量变量、单调性和可加性，贝尔曼最优原理对大多数MOO问题不成立。我们通过将超体积改进（HVI）作为我们的标量化方法来解决这一挑战，这使我们能够使用基于HVI获取的批次期望超体积改进（EHVI）获取函数（AF）来近似求解有限时序。我们的表述天然地允许我们使用其他改进导数方法并与HVI进行比较。我们推导了三种用于MOBO的非占有式AF：1）基于精确下界计算的嵌套AF，2）是嵌套AF下界的联合AF，以及3）基于批次多目标获取函数的快速近似变体——BINOM AF。我们在多个多样化的真实世界MO问题上的实验表明，我们的非占有式AF在MOBO的现有占有式AF之上显著提升了性能。
引用
@article{arxiv.2412.08085,
title = {Non-Myopic Multi-Objective Bayesian Optimization},
author = {Syrine Belakaria and Alaleh Ahmadianshalchi and Barbara Engelhardt and Stefano Ermon and Janardhan Rao Doppa},
journal= {arXiv preprint arXiv:2412.08085},
year = {2025}
}
备注
Published in Transactions on Machine Learning Research (TMLR)