面向多目标贝叶斯优化的不确定性感知搜索框架
机器学习
2022-04-13 v1 人工智能
摘要
我们考虑使用昂贵函数评估的多目标（MO）黑箱优化问题，其目标是在最小化函数评估次数的同时逼近真实的 Pareto 解集。例如，在硬件设计优化中，我们需要利用昂贵的仿真找出在性能、能耗与面积开销之间权衡的设计。我们提出一种称为 USeMO 的新型不确定性感知搜索框架，以高效选择用于评估的输入序列来解决该问题。USeMO 的选择方法包括：通过真实函数的代理模型求解一个廉价的 MO 优化问题以识别最有希望的候选，并基于不确定性度量挑选最佳候选。我们还提供理论分析以刻画我们方法的有效性。我们在多个合成与六个多样真实基准问题上的实验表明，USeMO 持续优于最先进算法。
引用
@article{arxiv.2204.05944,
title = {Uncertainty-Aware Search Framework for Multi-Objective Bayesian Optimization},
author = {Syrine Belakaria and Aryan Deshwal and Nitthilan Kannappan Jayakodi and Janardhan Rao Doppa},
journal= {arXiv preprint arXiv:2204.05944},
year = {2022}
}
备注
Added link to code and missing appendix. arXiv admin note: substantial text overlap with arXiv:2008.07029