面向传感器引导的人类在环优化的正则化GLISp
机器学习
2025-11-10 v1
摘要
人类在环校准通常通过基于偏好的优化来处理，即算法从成对比较中学习，而非显式的成本评估。虽然有效，像首选贝叶斯优化或基于主动偏好学习的径向基函数全局优化 (GLISp) 等方法会将系统视为黑盒，忽略信息丰富的传感器测量。在本文中，我们引入了GLISp的一种传感器引导正则化扩展，通过物理信息假设函数和最小二乘正则化项将可测量描述符整合到偏好学习循环中。这注入了灰箱结构，在保持偏好搜索灵活性的同时，将主观反馈与定量传感器信息相结合。在分析基准和人类在环车辆悬架调谐任务上的数值评估表明，比基线GLISp实现更快的收敛和更优的最终解。
引用
@article{arxiv.2511.04751,
title = {Regularized GLISp for sensor-guided human-in-the-loop optimization},
author = {Matteo Cercola and Michele Lomuscio and Dario Piga and Simone Formentin},
journal= {arXiv preprint arXiv:2511.04751},
year = {2025}
}