张量分解黑箱优化新方法，样本效率飙升，直接绕开不可行区域！
Constraint-Aware Discrete Black-Box Optimization Using Tensor Decomposition
📖 AI 总结
本文针对离散黑箱优化问题提出了一种基于张量分解的代理建模方法。传统序列基于模型的优化（SMBO）虽能通过代理模型提升样本效率，但难以捕捉离散输入空间中由逻辑约束决定的可行性规则。该研究将代理模型训练形式化为约束多项式优化问题，并利用T-范数导出的可微惩罚项求解其松弛形式，从而在建模离散搜索空间结构的同时直接整合可行性信息。在合成数据及压力容器设计等真实基准任务上的实验表明，该方法能有效引导搜索远离不可行区域，显著提升样本效率。该工作为带逻辑约束的离散黑箱优化提供了新思路，具有实际工程应用价值。
🔑 关键词速览
| 离散黑箱优化 | 在无法获取目标函数解析形式且输入为离散值的条件下，通过有限次评估寻找最优解的优化问题。 |
| 序列模型优化 (SMBO) | 一种基于代理模型的优化框架，通过迭代地拟合代理模型并选择下一个评估点来提高样本效率。 |
| 张量分解 | 将高维张量分解为低秩因子或成分的技术，用于捕捉离散搜索空间中的结构信息。 |
| 约束多项式优化 | 在多项式等式或不等式约束下优化多项式目标函数的数学规划问题。 |
| T-范数 | 模糊逻辑中用于定义合取运算的一类函数，常被用来构造可微的惩罚项以处理约束。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅