PHOENICS：一种通用深度贝叶斯优化器
机器学习
2018-01-08 v1 化学物理
摘要
在这项工作中，我们介绍了 PHOENICS，一种将贝叶斯优化的思想与贝叶斯核密度估计的概念相结合的概率全局优化算法。我们提出了一种低成本的获取函数，以平衡算法的探索性与利用性。该获取函数支持直观的采样策略，从而实现对全局最小值的并行高效搜索。PHOENICS 的性能通过在一组 15 个离散、准离散和连续多维函数上的详尽基准研究进行了评估。与基于高斯过程（GP）和随机森林（RF）的优化方法不同，我们表明 PHOENICS 对协域的性质较不敏感，并且优于 GP 和 RF 优化。我们在 Oregonator 上展示了 PHOENICS 的性能，这是一个描述复杂化学反应网络的困难案例研究。我们证明只有 PHOENICS 能够定性和定量地再现该非线性反应动力学的目标动态行为。我们推荐将 PHOENICS 用于标量、可能非凸的黑盒未知目标函数的快速优化。
引用
@article{arxiv.1801.01469,
title = {PHOENICS: A universal deep Bayesian optimizer},
author = {Florian Häse and Loïc M. Roch and Christoph Kreisbeck and Alán Aspuru-Guzik},
journal= {arXiv preprint arXiv:1801.01469},
year = {2018}
}