.png){kind=icon}
返回
Dynamic multi-objective causal Bayesian optimization: Adaptive learning for complex systems under interventional constraints
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.114971.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现实世界中的优化问题日益涉及复杂系统，其中时序动态、因果关系和竞争性目标同时相互作用。传统的贝叶斯优化（BO）方法分别处理这些挑战，限制了其在具有干预约束的动态环境中的有效性。在此，我们提出了动态多目标因果贝叶斯优化（DMC-BO），这是一种统一框架，通过整合因果发现与自适应多目标学习，以实现在时序和成本约束下的高效优化。该框架采用一种动态采集函数，利用因果图识别最小干预集，同时适应系统随时间的变化。通过因果感知的支配准则和成本敏感的探索策略，DMC-BO在尊重预算限制的同时保持帕累托最优解。在合成数据集和真实世界数据集（医疗优化和经济政策协调）上的实验验证表明，与静态基线相比，我们的方法实现了35%–56%更少的干预和38%–41%更低的成本，同时在部分可观测性条件下保持了稳健性能。
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
ADME, Molecular Targets, Docking, and Dynamic Simulation Studies of Phytoconstituents of Cymbopogon citratus (DC.)植物成分的ADME、分子靶点、对接和动态模拟研究（来自香茅属）
.png){kind=icon}
PREAI
分享收藏
Using the Averaged Hausdorff Distance as a Performance Measure in Evolutionary Multiobjective Optimization在进化多目标优化中使用平均Hausdorff距离作为性能度量
PREAI
分享收藏Greed Is Good: Exploration and Exploitation Trade-offs in Bayesian Optimisation贪婪是好的: 贝叶斯优化中的探索与开发权衡
OAAI
OAAI分享收藏Why one strategy does not fit all: a systematic review on exploration-exploitation in different organizational archetypes为什么一种策略不适合所有人: 不同组织原型中探索开发的系统综述
PREAI
分享收藏分享收藏
查看更多内容