异构误差对多保真度贝叶斯优化的影响
机器学习
2023-09-07 v1 机器学习
摘要
贝叶斯优化（BO）是一种序贯优化策略，正日益广泛应用于包括材料设计在内的广泛领域。在真实世界应用中，通过物理实验或高保真（HF）仿真获取 HF 数据是 BO 的主要成本构成。为缓解此瓶颈，多保真度（MF）方法被用于放弃对昂贵 HF 数据的单一依赖，并通过查询与 HF 样本相关的廉价低 fidelity（LF）源来降低采样成本。然而，现有多保真度 BO（MFBO）方法基于以下两个在实际应用中极少成立的假设：(1) LF 源提供的数据在全局尺度上与 HF 数据良好相关；(2) 单一随机过程可建模融合数据中的噪声。当 LF 源仅与 HF 源局部相关，或噪声方差跨数据源变化时，这些假设会急剧降低 MFBO 性能。本文中，我们摒弃这些不正确假设，提出一种 MF 仿真方法：(1) 为每个数据源学习噪声模型；(2) 使 MFBO 能利用仅与 HF 源局部相关的高度有偏 LF 源。我们通过解析算例与材料设计中的工程问题展示了本方法的性能。
引用
@article{arxiv.2309.02771,
title = {On the Effects of Heterogeneous Errors on Multi-fidelity Bayesian Optimization},
author = {Zahra Zanjani Foumani and Amin Yousefpour and Mehdi Shishehbor and Ramin Bostanabad},
journal= {arXiv preprint arXiv:2309.02771},
year = {2023}
}