NOSTRA：面向基于信任区域的多目标贝叶斯优化的噪声鲁棒稀疏数据框架
机器学习
2025-08-25 v1 系统与控制
系统与控制
摘要
多目标贝叶斯优化(MODO)在稀疏(非均匀分布)、稀少(有限观测)数据受实验不确定性影响的情况下难以胜任，此时相同的输入会产生不同的输出。这些挑战在物理和仿真实验中常见（例如随机医学试验和分子动力学仿真），因此与传统MODO方法不兼容，导致实验资源被低效分配，进而导致设计次优。为此，我们引入NOSTRA(Noisy and Sparse Data Trust Region-based Optimization Algorithm)，一种新型抽样框架，整合了实验不确定性的先验知识，以构建更精确的代理模型，同时采用信任区域方法聚焦于设计空间中有前景的区域。通过战略性地利用先验信息和细化搜索区域，NOSTRA加快了对Pareto边沿的收敛速度，提高了数据效率，并改善了解的质量。通过两个具有不同实验不确定性水平的测试函数，我们展示了NOSTRA在处理噪声、稀疏和稀少数据方面优于现有方法。具体而言，我们说明NOSTRA有效地优先考虑样本能够提高识别Pareto边沿准确性的区域，提供了一个在实验预算有限且确保高效性能的场景中实用的资源高效算法。
引用
@article{arxiv.2508.16476,
title = {NOSTRA: A noise-resilient and sparse data framework for trust region based multi objective Bayesian optimization},
author = {Maryam Ghasemzadeh and Anton van Beek},
journal= {arXiv preprint arXiv:2508.16476},
year = {2025}
}