$\{\text{PF}\}^2$ES：用于多目标贝叶斯优化的并行可行帕累托前沿熵搜索
机器学习
2023-02-22 v2 最优化与控制
摘要
我们提出并行可行帕累托前沿熵搜索(ES)——一种新颖的信息论采集函数，用于支持未知约束和批量查询的多目标贝叶斯优化。由于刻画候选评估与（可行）帕累托前沿之间互信息的复杂性，现有方法要么必须采用严重损害性能的粗略近似，要么依赖显著增加优化计算开销的昂贵推断方案。通过改用变分下界，ES 提供了互信息的低成本且准确的估计。我们将 ES 与其他信息论采集函数进行基准比较，展示了其在合成和真实世界设计问题优化上的竞争力。
引用
@article{arxiv.2204.05411,
title = {$\{\text{PF}\}^2$ES: Parallel Feasible Pareto Frontier Entropy Search for Multi-Objective Bayesian Optimization},
author = {Jixiang Qing and Henry B. Moss and Tom Dhaene and Ivo Couckuyt},
journal= {arXiv preprint arXiv:2204.05411},
year = {2023}
}