Consequential improvement acquisition function for efficient multi-fidelity Bayesian optimization

Ibrahim Aydogdu

doi:10.1007/s11081-026-10078-5

Consequential improvement acquisition function for efficient multi-fidelity Bayesian optimization

2026-03-01

0

PRE

AI

DOI：10.1007/s11081-026-10078-5

原文链接

原文求助

摘要

En 中文

基于代理模型的贝叶斯优化已广泛应用于设计优化以提升采样效率。然而，在涉及物理实验或大规模模拟时，每次目标函数评估的成本可能仍然很高。多保真度贝叶斯优化是进一步改进采样效率的新方法，通过减少最高保真度水平下的昂贵样本数量，并用低保真度水平下的低成本样本进行补充。本文提出了一种新的因果改进（CI）采集函数，允许在已知保真度层次结构的问题中同时选择解和保真度水平。新的CI采集函数整合了目标改进的因果有效性，并考虑了工程实践中高保真度与低保真度样本在成本、精度和有效性方面的差异。基于CI的多保真度贝叶斯优化方法通过多个解析和基于仿真的设计示例进行了验证。在基于仿真的设计优化示例中，结果显示CI采集函数在采样效率方面比其他具有同时选择功能的多保真度贝叶斯优化方法具有决定性优势。结果表明，所提出的方法在解决高维问题、高保真度与低保真度评估之间存在较大成本差异且高保真度验证是强制性要求时尤为有利。此外，该方法稳健地避免了低保真度水平下普遍存在的过度采样问题。

Keyword:

Multi-fidelity Bayesian optimization

Active learning

Gaussian process

Consequential improvement acquisition function for efficient multi-fidelity Bayesian optimization

摘要

期刊

机构

引用论文