优先多目标贝叶斯优化
机器学习
2024-06-24 v1 最优化与控制
机器学习
摘要
优先贝叶斯优化 (PBO) 是一种用于优化决策者对可用设计选择中潜在偏好的框架。尽管偏好通常涉及多个相互冲突的目标，但现有PBO研究假设偏好可以由单一目标函数编码。例如，在机器人辅助设备中，技术员通常尝试在最大化用户舒适度的同时，最小化机械能耗以延长电池寿命。类似地，在自主驾驶政策设计中，决策者希望在提交政策前了解多个安全和性能属性之间的权衡。为此，我们提出了针对PBO的首个多目标框架。在该框架中，我们提出了对抗标量化Thompson抽样 (DSTS)，这是流行对抗Thompson算法的多目标推广，可能在PBO领域之外也具有兴趣。我们在四个合成测试函数和两个模拟外骨骼个性化及驾驶政策设计任务上评估了DSTS，表明其优于多个基准方法。最后，我们证明了DSTS是渐近一致的。作为直接结果，这一结果提供了据我们所知，PBO环境下对抗Thompson抽样的首个收敛保证。
引用
@article{arxiv.2406.14699,
title = {Preferential Multi-Objective Bayesian Optimization},
author = {Raul Astudillo and Kejun Li and Maegan Tucker and Chu Xin Cheng and Aaron D. Ames and Yisong Yue},
journal= {arXiv preprint arXiv:2406.14699},
year = {2024}
}