面向多目标贝叶斯优化的Kalai-Smorodinski解
最优化与控制
2019-10-04 v2 机器学习
摘要
多目标贝叶斯优化研究的一个持续目标是将其适用性扩展到大量目标。在应对有限评估预算时，恢复最优折中解集合通常需要大量观测，且可解释性较差，因为该集合往往随目标数量增多而变大。因此我们提议关注源自博弈论的一个特定解，即Kalai-Smorodinsky解，它具备吸引人的性质。特别地，它确保所有目标上的边际收益相等。我们进一步通过在copula空间中考虑各目标，使其对目标的单调变换不敏感。提出了一种新颖的定制算法来搜索该解，其形式为贝叶斯优化算法：基于由辅助高斯过程先验导出的采集函数做出序贯采样决策。我们的方法在分别具有四、六、八和九个目标的四个问题上进行了测试。该方法可在CRAN上的R包GPGame中获取，地址为 https://cran.r-project.org/package=GPGame。
引用
@article{arxiv.1902.06565,
title = {The Kalai-Smorodinski solution for many-objective Bayesian optimization},
author = {Mickaël Binois and Victor Picheny and Patrick Taillandier and Abderrahmane Habbal},
journal= {arXiv preprint arXiv:1902.06565},
year = {2019}
}