مقاله به حداقل رساندن نسبت پشیمانی به سیگما نمونه برداری تامپسون (TS-RSR): یک الگوریتم کارآمد قابل اثبات برای بهینه سازی دسته ای بیزی

چکیده

This paper presents a new approach for batch Bayesian Optimization (BO), where the sampling takes place by minimizing a Thompson Sampling approximation of a regret to uncertainty ratio. Our objective is able to coordinate the actions chosen in each batch in a way that minimizes redundancy between points whilst focusing on points with high predictive means or high uncertainty. We provide high-probability theoretical guarantees on the regret of our algorithm. Finally, numerically, we demonstrate that our method attains state-of-the-art performance on a range of nonconvex test functions, where it outperforms several competitive benchmark batch BO algorithms by an order of magnitude on average.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله یک رویکرد جدید برای بهینه سازی Batch Bayesian (BO) ارائه شده است ، که در آن نمونه گیری با به حداقل رساندن یک نمونه گیری از تامپسون از تقریب پشیمانی نسبت به نسبت عدم اطمینان صورت می گیرد.هدف ما قادر به هماهنگی اقدامات انتخاب شده در هر دسته به گونه ای است که باعث افزایش افزونگی بین نقاط می شود در حالی که با تمرکز روی نقاطی با وسایل پیش بینی کننده بالا یا عدم اطمینان زیاد.ما در مورد پشیمانی الگوریتم خود ضمانت های نظری با قابلیت بالا را ارائه می دهیم.سرانجام ، از نظر عددی ، ما نشان می دهیم كه روش ما در طیف وسیعی از توابع تست غیركدوكس به عملکرد پیشرفته می رسد ، كه در آن به طور متوسط از چندین الگوریتم های دسته ای معیار رقابتی BO بهتر عمل می كند.