基于满意化 Thompson 采样的并行贝叶斯优化用于时间敏感黑盒优化
机器学习
2023-10-20 v1 系统与控制
系统与控制
摘要
贝叶斯优化（BO）被广泛用于黑盒优化问题，并已在各种真实世界任务中表现出良好的性能。然而，大多数现有 BO 方法旨在学习最优解，当参数空间极大或问题具有时间敏感性时，这可能变得不可行。在这些情形下，转向需要较少信息的满意化（satisficing）解可带来更好的性能。在本工作中，我们关注时间敏感黑盒优化问题，并提出基于满意化 Thompson 采样的并行贝叶斯优化（STS-PBO）方法，包括同步与异步版本。我们将目标从最优解转移到更易学习的满意化解。引入率失真理论来构造一个损失函数，以平衡需学习的信息量与次优性，并采用 Blahut-Arimoto 算法计算每一步在失真限制下达到最小信息率的目标解。理论上推导了所提 STS-PBO 方法的折扣与未折扣贝叶斯累积遗憾界。所提方法的有效性在锂离子电池快充设计问题上得到验证。结果与理论分析一致，并表明我们的 STS-PBO 方法在同步与异步设定下均优于顺序对应方法以及采用传统 Thompson 采样的并行 BO。
引用
@article{arxiv.2310.12526,
title = {Parallel Bayesian Optimization Using Satisficing Thompson Sampling for Time-Sensitive Black-Box Optimization},
author = {Xiaobin Song and Benben Jiang},
journal= {arXiv preprint arXiv:2310.12526},
year = {2023}
}