.png){kind=icon}
返回
An improved high-dimensional Bayesian optimization algorithm
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-025-06750-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
贝叶斯优化算法作为一种解决非线性全局优化问题的有效方法，被广泛应用于众多机器学习应用领域。随着大数据的发展，高维场景中存在的计算和统计挑战意味着，尽管提出了改进和增强方案，贝叶斯优化算法的应用性仍局限于低维问题。我们的算法（1）通过核主成分分析（KPCA）提取函数中的有趣非线性潜在结构以降低计算复杂度，并（2）采用改进的基于互信息最大化的输入聚类（MIMIC）算法，每迭代仅优化一个低维子空间，以实现更高效和有效的BO。实验表明，所提出的算法能够在高维空间中显著提升优化精度和速度，并能高效解决贝叶斯优化算法的高维问题。
Keyword:
High-dimensional Bayesian optimization
Variable interaction
KPCA
MIMIC algorithm
期刊
IF:
3.5
论文数:
7.6K
被引数:
1.7W
机构
引用论文
.png){kind=icon}
Large-Scale Global Optimization Using Cooperative Coevolution with Variable Interaction Learning
PREAI
分享收藏NEXTorch: A Design and Bayesian Optimization Toolkit for Chemical Sciences and EngineeringNEXTorch: 用于化学科学和工程的设计和贝叶斯优化工具包
OAAI
OAAI分享收藏分享收藏The Use of Ranks to Avoid the Assumption of Normality Implicit in the Analysis of Variance使用秩来避免方差分析中隐含的正态性假设
PREAI
分享收藏TBM performance prediction with Bayesian optimization and automated machine learning基于贝叶斯优化和自动机器学习的TBM性能预测
PREAI
分享收藏
查看更多内容