Trieste：利用TensorFlow高效探索黑盒函数的深度
机器学习
2023-02-17 v1 机器学习
摘要
我们推出Trieste，一个开源Python软件包，用于贝叶斯优化和主动学习，受益于TensorFlow的可扩展性与高效性。我们的库支持在序列决策循环中原地插拔流行的基于TensorFlow的模型，例如来自GPflow或GPflux的高斯过程，或来自Keras的神经网络。这种模块化思维是该软件包的核心，并延伸至我们的采集函数以及决策循环的内部动态，研究人员或工程师在处理定制用例时均可对其进行调整和扩展。Trieste是一个对研究友好且可用于生产的工具包，配有全面的测试套件和详尽文档，可在 https://github.com/secondmind-labs/trieste 获取。
引用
@article{arxiv.2302.08436,
title = {Trieste: Efficiently Exploring The Depths of Black-box Functions with TensorFlow},
author = {Victor Picheny and Joel Berkeley and Henry B. Moss and Hrvoje Stojic and Uri Granta and Sebastian W. Ober and Artem Artemev and Khurram Ghani and Alexander Goodall and Andrei Paleyes and Sattar Vakili and Sergio Pascual-Diaz and Stratis Markou and Jixiang Qing and Nasrulloh R. B. S Loka and Ivo Couckuyt},
journal= {arXiv preprint arXiv:2302.08436},
year = {2023}
}