当更少反而更好：因额外专家知识导致贝叶斯优化失败的故事
人机交互
2025-11-21 v1
摘要
聚合再生材料的塑料制品仍是实际挑战，因为加工后材料的性能控制不如全新原料那么容易。对于数据科学家而言，使用贝叶斯优化（Bayesian Optimization）规划新型化合物开发中必需的实验是有意义的，因为该方法基于代理模型，因数据效率高，特别适用于来自高成本实验的数据。此外，如果可用历史数据和专家知识，将其纳入代理模型预期可加快优化收敛速度。本文描述了一种情形：添加数据和知识反而损害了优化效果。我们还描述了用于尝试解决此问题的失败方法，以及我们最终发现导致性能不佳原因并实现满意结果的过程。我们得出的结论是：只有当额外知识和数据不致于复杂化底层优化目标时，才只有它们才具有积极影响。
引用
@article{arxiv.2511.16230,
title = {When Less is More: A Story of Failing Bayesian Optimization Due to Additional Expert Knowledge},
author = {Dorina Weichert and Gunar Ernis and Marvin Worthmann and Peter Ryzko and Lukas Seifert},
journal= {arXiv preprint arXiv:2511.16230},
year = {2025}
}