实用的基于路径的贝叶斯优化
机器学习
2023-12-04 v1 最优化与控制
统计方法学
摘要
随着化学工程与药物制造中的应用兴起，对数据驱动实验设计的兴趣激增。贝叶斯优化（BO）已证明可适应此类情形，因为我们可以将感兴趣的反应建模为昂贵的黑盒函数。有时，该黑盒函数的代价可分为两部分：(a) 实验本身的代价，以及 (b) 改变输入参数的代价。在本短文中，我们扩展 SnAKe 算法以同时处理两类代价。我们进一步提出对最大允许输入改变情形以及多目标设定的扩展。
引用
@article{arxiv.2312.00622,
title = {Practical Path-based Bayesian Optimization},
author = {Jose Pablo Folch and James Odgers and Shiqiang Zhang and Robert M Lee and Behrang Shafei and David Walz and Calvin Tsay and Mark van der Wilk and Ruth Misener},
journal= {arXiv preprint arXiv:2312.00622},
year = {2023}
}
备注
6 main pages, 12 with references and appendix. 4 figures, 2 tables. To appear in NeurIPS 2023 Workshop on Adaptive Experimental Design and Active Learning in the Real World