Multi-fidelity Gaussian Process Bandit Optimisation
Multi-fidelity Gaussian Process Bandit Optimisation
复制标题
多保真高斯过程强盗优化
DOI：
--
复制
发表时间：
2016
影响因子：
5
通讯作者：
B. Póczos
中科院分区：
文献类型：
--
作者：
Kirthevasan Kandasamy;Gautam Dasarathy;Junier B. Oliva;J. Schneider;B. Póczos
在许多科学和工程应用中，我们的任务是最大化一个昂贵的黑盒函数f。这个问题的传统设置只假设这个单一函数的可用性。然而，在许多情况下，可以获得f的廉价近似值。例如，机器人在现实世界中昂贵的行为可以通过廉价的计算机模拟来近似。我们可以使用这些近似来廉价地消除低函数值区域，并在一个小但有希望的区域中使用昂贵的f的评估，并快速地确定最优值。我们将这一任务形式化为一个多保真的强盗问题，其中目标函数及其近似值是从高斯过程中采样的。提出了一种基于置信度上界技术的新方法--MF-GP-UCB。在我们的理论分析中，我们证明了它恰好体现了上述行为，并且比忽略多保真信息的策略更好地限制了后悔。从经验上看，MF-GP-UCB在几个合成和真实实验中的表现优于这种朴素策略和其他多保真方法。
In many scientific and engineering applications, we are tasked with the maximisation of an expensive to evaluate black box function f. Traditional settings for this problem assume just the availability of this single function. However, in many cases, cheap approximations to f may be obtainable. For example, the expensive real world behaviour of a robot can be approximated by a cheap computer simulation. We can use these approximations to eliminate low function value regions cheaply and use the expensive evaluations of f in a small but promising region and speedily identify the optimum. We formalise this task as a multi-fidelity bandit problem where the target function and its approximations are sampled from a Gaussian process. We develop MF-GP-UCB, a novel method based on upper confidence bound techniques. In our theoretical analysis we demonstrate that it exhibits precisely the above behaviour and achieves better bounds on the regret than strategies which ignore multi-fidelity information. Empirically, MF-GP-UCB outperforms such naive strategies and other multi-fidelity methods on several synthetic and real experiments.
DOI：
--
发表时间：
2018-11
期刊：
ArXiv
影响因子：
--
作者：
Jialin Song;Yuxin Chen;Yisong Yue
通讯作者：
Jialin Song;Yuxin Chen;Yisong Yue
合成基因设计的贝叶斯优化
DOI：
10.48550/arxiv.1505.01627
发表时间：
2015
期刊：
arXiv e-prints
影响因子：
--
作者：
Gonz
通讯作者：
Gonz