ترجمه فارسی مقاله بهینه‌سازی بیزی با ابعاد بالا از طریق تصویر تراکم-انبساط

چکیده

In high-dimensional settings, Bayesian optimization (BO) can be expensive and infeasible. The random embedding Bayesian optimization algorithm is commonly used to address high-dimensional BO challenges. However, this method relies on the effective subspace assumption on the optimization problem’s objective function, which limits its applicability. In this paper, we introduce Condensing-Expansion Projection Bayesian optimization (CEPBO), a novel random projection-based approach for high-dimensional BO that does not reply on the effective subspace assumption. The approach is both simple to implement and highly practical. We present two algorithms based on different random projection matrices: the Gaussian projection matrix and the hashing projection matrix. Experimental results demonstrate that both algorithms outperform existing random embedding-based algorithms in most cases, achieving superior performance on high-dimensional BO problems. The code is available in url{https://anonymous.4open.science/r/CEPBO-14429}.

چکیده به فارسی (ترجمه ماشینی)

در تنظیمات با ابعاد بالا ، بهینه سازی بیزی (BO) می تواند گران و غیرقابل تحمل باشد.الگوریتم بهینه سازی بیزی تعبیه تصادفی معمولاً برای رفع چالش های BO با ابعاد بالا استفاده می شود.با این حال ، این روش به فرضیه فضا مؤثر بر عملکرد هدف بهینه سازی مسئله متکی است ، که کاربرد آن را محدود می کند.در این مقاله ، ما بهینه سازی طرح ریزی بیزیایی (CEPBO) را بهینه سازی می کنیم ، یک رویکرد مبتنی بر طرح ریزی تصادفی جدید برای BO با ابعاد بالا که به فرضیه زیر فضای مؤثر پاسخ نمی دهد.این رویکرد هم برای اجرای ساده و هم بسیار کاربردی است.ما دو الگوریتم را بر اساس ماتریس طرح ریزی تصادفی مختلف ارائه می دهیم: ماتریس طرح ریزی گاوسی و ماتریس طرح ریزی هشویی.نتایج تجربی نشان می دهد که هر دو الگوریتم در بیشتر موارد از الگوریتم های مبتنی بر تعبیه تصادفی موجود فراتر رفته و به عملکرد برتر در مشکلات BO با ابعاد بالا رسیده اند.کد در url {https://anonymous.4open.science/r/cepbo-14429} موجود است.