先收敛后多样化！新方法CTD在72.9%情况下碾压最强基线
Converge Then Diversify: Decoupling Convergence and Diversity in Multi-Objective Bayesian Optimisation
📖 AI 总结
本文针对多目标贝叶斯优化（MOBO）中收敛性与多样性难以兼顾的问题，提出了一种“先收敛后多样化”（Converge-Then-Diversify, CTD）的两阶段方法。传统MOBO方法通常同时追求逼近帕累托前沿和维持解的多样性，在预算充足时效果良好，但在评估预算极为紧张或问题维度较高时，往往无法生成足够多的解来同时覆盖整个前沿。CTD将这两个目标解耦：第一阶段专注收敛，快速将搜索导向帕累托前沿上的某一点；第二阶段专注多样性，将解分散到整个前沿。作者基于该领域常用的采集函数给出了两种简单实现。实验涵盖446组两两对比，CTD在72.9%的情况下统计显著优于现有最先进方法，21.1%表现相当，仅6.1%劣于对手，且在预算极紧或高维问题中优势尤为突出。该工作为资源受限场景下的多目标优化提供了更实用的策略。
🔑 关键词速览
| 多目标贝叶斯优化 (MOBO) | 一种用于优化多个昂贵黑箱函数的样本高效方法，旨在近似帕累托前沿。 |
| 帕累托前沿 | 多目标优化中所有非支配解的集合，表示最优权衡曲面。 |
| 收敛性 | 解接近帕累托前沿的程度，反映优化目标逼近最优的能力。 |
| 多样性 | 解在帕累托前沿上的分布广度，反映解集的覆盖范围。 |
| 采集函数 | 贝叶斯优化中用于指导下一步采样点的函数，平衡探索与利用。 |
📱 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