🔥 今日值得一读
每轮只算一个目标，多目标优化效率飙升！
Learning What to Evaluate: Correlation-Aware Decoupling for Multiobjective Bayesian Optimization
👨💼 主理人解读 · 为什么值得关注
可减少昂贵实验中的冗余评估，按目标间相关性决定评什么，加速多目标优化。
📖 AI 总结
本文提出一种面向多目标贝叶斯优化（MOBO）的相关性感知解耦方法。传统MOBO通常为各目标与约束建立独立高斯过程模型，并在每轮中耦合地评估全部目标与约束，忽略了它们之间普遍存在的内在相关性。作者改用多任务高斯过程联合学习所有目标与约束，并提出一种总相关度量，用于在每轮中识别出最优的待评估子集，即使在评估成本一致的情况下也能实现解耦评估。理论分析表明，该采集策略在解耦条件下仍具有渐近一致性，且所提出的子集选择规则在温和条件下能最大化未评估任务的期望后验熵缩减。实验结果显示，该方法在性能上优于当前最先进的耦合与解耦基线方法。
🔑 关键词速览
| 多目标贝叶斯优化 (MOBO) | 一种用于求解多个相互冲突目标的优化问题的贝叶斯优化方法，通常使用高斯过程代理模型和采集函数来高效搜索帕累托前沿。 |
| 高斯过程 (GP) | 一种概率机器学习模型，用于对函数进行贝叶斯非参数建模，提供预测均值和不确定性估计，常用于贝叶斯优化中的代理模型。 |
| 采集函数 | 在贝叶斯优化中，用于指导选择下一个评估点的函数，基于后验分布平衡探索和利用，通常由贝叶斯决策理论导出。 |
| 多任务高斯过程 | 一种高斯过程扩展，能够同时建模多个相关任务，通过共享信息提高预测性能，常用于联合学习目标和约束。 |
| 总相关 | 一种多变量依赖度量，用于量化多个随机变量之间的总体相关性，本文中用于识别目标和约束之间的相关性以进行解耦评估。 |
📱 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