مقاله یک چارچوب کلی برای بهینه سازی بیزی با هدایت کاربر

چکیده

The optimization of expensive-to-evaluate black-box functions is prevalent in various scientific disciplines. Bayesian optimization is an automatic, general and sample-efficient method to solve these problems with minimal knowledge of the underlying function dynamics. However, the ability of Bayesian optimization to incorporate prior knowledge or beliefs about the function at hand in order to accelerate the optimization is limited, which reduces its appeal for knowledgeable practitioners with tight budgets. To allow domain experts to customize the optimization routine, we propose ColaBO, the first Bayesian-principled framework for incorporating prior beliefs beyond the typical kernel structure, such as the likely location of the optimizer or the optimal value. The generality of ColaBO makes it applicable across different Monte Carlo acquisition functions and types of user beliefs. We empirically demonstrate ColaBO’s ability to substantially accelerate optimization when the prior information is accurate, and to retain approximately default performance when it is misleading.

چکیده به فارسی (ترجمه ماشینی)

بهینه سازی عملکردهای گران قیمت برای ارزیابی در جعبه سیاه در رشته های مختلف علمی رواج دارد.بهینه سازی بیزی روشی خودکار ، عمومی و کارآمد برای حل این مشکلات با حداقل دانش در مورد پویایی عملکرد اساسی است.با این حال ، توانایی بهینه سازی بیزی در ترکیب دانش یا عقاید قبلی در مورد عملکرد مورد نظر به منظور تسریع در بهینه سازی محدود است ، که باعث می شود جذابیت آن برای پزشکان آگاه با بودجه تنگ کاهش یابد.برای اینکه کارشناسان دامنه بتوانند روال بهینه سازی را سفارشی کنند ، ما Colabo را پیشنهاد می کنیم ، اولین چارچوب بیزیایی با اصل برای ترکیب باورهای قبلی فراتر از ساختار هسته معمولی ، مانند محل احتمالی بهینه ساز یا مقدار بهینه.کلی بودن Colabo باعث می شود که آن را در عملکردهای مختلف کسب مونت کارلو و انواع اعتقادات کاربر کاربرد داشته باشد.ما به طور تجربی توانایی Colabo را در تسریع در بهینه سازی قابل ملاحظه در هنگام دقیق بودن اطلاعات قبلی نشان می دهیم و در هنگام گمراه کننده عملکرد تقریباً پیش فرض را حفظ می کنیم.