.png){kind=icon}
返回
Batch Bayesian Optimization via Particle Gradient Flows
.png){kind=icon}
PRE
AI
DOI：10.1137/23M1549080.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（BO）方法旨在寻找仅作为黑箱或评估成本高昂的目标函数的全局最优解。此类方法为目标函数构建代理模型，并通过贝叶斯推断量化该代理模型的不确定性。目标评估通过每一步最大化采集函数来确定。然而，由于采集函数的非凸性，特别是批量贝叶斯优化中每一步选择多个点的情况下，这个辅助优化问题可能难以求解。在本工作中，我们将批量BO重新表述为概率测度空间上的优化问题。我们基于多点预期改进构建了一个新的采集函数，该函数在概率测度空间上是凸的。求解这个“内部优化问题”的实用方案自然地表现为该目标函数的梯度流。我们在不同的基准函数上展示了这种新方法的有效性，并与当前最先进的批量BO方法进行了比较。
Keyword:
batch Bayesian optimization
gradient flows
parameter calibration
machine learning
期刊
S
IF:
1.9
论文数:
13
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏分享收藏分享收藏分享收藏
查看更多内容