局部重要维度中的序贯优化
统计方法学
2019-01-23 v2
摘要
当昂贵黑盒函数 的输入空间为高维时，对其优化具有挑战性。序贯设计框架首先用替代函数对 建模，然后优化采集函数以确定下一步评估的输入设置。 与采集函数的优化均受益于有效的降维。全局变量选择检测并移除在整个输入空间上不影响 的输入变量。若我们考虑当前最优估计周围的局部变量选择，则可能实现进一步的降维。我们开发了称为局部重要维度中的序贯优化（SOLID）的序贯设计算法，其结合全局与局部变量选择来优化连续可微函数。SOLID 通过比较估计最优值周围局部化区域内替代函数的预测与通过移除各输入变量所得的 个替代预测，来进行局部变量选择。采集函数的搜索空间被进一步限制为仅聚焦于被判定为局部活跃的变量，从而更着重于在局部活跃维度上精炼替代模型。对三个测试函数的模拟研究以及针对 Sarcos 机器人数据集的应用表明 SOLID 优于常规方法。
引用
@article{arxiv.1804.10671,
title = {Sequential Optimization in Locally Important Dimensions},
author = {Munir A. Winkel and Jonathan W. Stallings and Curt B. Storlie and Brian J. Reich},
journal= {arXiv preprint arXiv:1804.10671},
year = {2019}
}