.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
许多现实世界优化问题，如机器学习中的超参数调优或基于仿真的优化，可以表述为评估成本高昂的黑箱函数。解决此类问题的流行方法是贝叶斯优化，它基于迄今收集的数据构建响应面模型，并利用模型预测的均值和不确定性来决定收集何种后续信息。在本文中，我们提出了对知名知识梯度（Knowledge Gradient）采集函数的一种泛化，使其能够处理约束条件。我们通过实证比较新算法与四种其他当前最优的约束贝叶斯优化算法，并证明其性能更优。此外，我们还证明了在无限预算极限下算法的理论收敛性。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息