SnAKe：基于路径探索的贝叶斯优化
机器学习
2023-01-12 v4 最优化与控制
摘要
贝叶斯优化是优化昂贵黑盒函数的非常有效的工具。受使用液滴微流控反应器开发和表征反应化学的应用启发，我们考虑一种新场景：当迭代间输入变化较大时，函数评估的开销会显著增加。我们进一步假设以异步方式工作，即必须在评估先前实验前选择新查询。本文研究该问题并引入“通过自适应连接样本的顺序贝叶斯优化”（SnAKe），其通过考虑大批量查询并预先构建最小化输入成本的优化路径来提供解决方案。我们研究了一些收敛性质，并凭经验表明该算法在同步与异步设置下均能取得与经典贝叶斯优化算法相近的遗憾值，同时显著降低了输入成本。我们表明该方法对其单一超参数的选择具有鲁棒性，并提供了一种无参数替代方案。
引用
@article{arxiv.2202.00060,
title = {SnAKe: Bayesian Optimization with Pathwise Exploration},
author = {Jose Pablo Folch 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:2202.00060},
year = {2023}
}
备注
10 main pages, 39 with appendix, 30 figures, 10 tables. Final camera-ready version for NeurIPS, with supplementary material included