基于宏动作的非短视高斯过程优化
机器学习
2020-02-25 v1 机器人学
机器学习
摘要
本文提出一种多阶段方法，用于未知、高度复杂目标函数的非短视自适应高斯过程优化（GPO）的贝叶斯优化（BO）；与现有非短视自适应 BO 算法不同，该方法利用宏动作概念以扩展至更远的向前搜索，从而匹配更大的可用预算。为此，我们将 GP 上置信界推广至关于非短视自适应宏动作策略定义的新型采集函数，由于候选输出集合不可数，该函数难以精确优化。因此我们工作的贡献在于推导出一种非短视自适应 epsilon-Bayes 最优宏动作 GPO（epsilon-Macro-GPO）策略。为实时执行非短视自适应 BO，我们进而提出具有性能保证的 epsilon-Macro-GPO 策略的渐近最优任意时刻变体。我们在合成与真实世界数据集的 BO 中实证评估了 epsilon-Macro-GPO 策略及其任意时刻变体的性能。
引用
@article{arxiv.2002.09670,
title = {Nonmyopic Gaussian Process Optimization with Macro-Actions},
author = {Dmitrii Kharkovskii and Chun Kai Ling and Kian Hsiang Low},
journal= {arXiv preprint arXiv:2002.09670},
year = {2020}
}
备注
23rd International Conference on Artificial Intelligence and Statistics (AISTATS 2020), Extended version with proofs, 32 pages