基于高斯过程的分阶段安全贝叶斯优化
机器学习
2020-01-28 v2 机器学习
摘要
确保安全是不确定下序贯决策许多问题的关键方面，其要求每一步所做的决策既对最优决策有信息量又安全。例如，我们在医疗治疗中重视疗效与舒适，在机器人控制中重视效率与安全。我们考虑在未知安全约束下，以绝对反馈或偏好反馈优化未知效用函数的问题。我们开发了高效的安全贝叶斯优化算法 StageOpt，将安全区域扩展与效用函数最大化分为两个不同阶段。与现有将扩展与优化交错进行的方法相比，我们表明 StageOpt 更高效且天然适用于更广泛的问题类别。我们为安全约束的满足以及收敛到最优效用值提供了理论保证。我们在多种合成实验以及临床实践中评估了 StageOpt。我们证明 StageOpt 比现有安全优化方法更有效，并且能在我们的临床实验中安全有效地优化脊髓刺激疗法。
引用
@article{arxiv.1806.07555,
title = {Stagewise Safe Bayesian Optimization with Gaussian Processes},
author = {Yanan Sui and Vincent Zhuang and Joel W. Burdick and Yisong Yue},
journal= {arXiv preprint arXiv:1806.07555},
year = {2020}
}
备注
International Conference on Machine Learning (ICML) 2018