SnAKe: بهینه سازی بیزی با اکتشاف مسیر

عنوان فارسی مقاله:SnAKe: بهینه سازی بیزی با اکتشاف مسیر

چکیده

بهینه سازی بیزی ابزار بسیار موثری برای بهینه سازی توابع گران جعبه سیاه است. با الهام از برنامه‌های توسعه و توصیف شیمی واکنش با استفاده از راکتورهای میکروسیال قطره‌ای، ما یک تنظیم جدید را در نظر می‌گیریم که در آن هزینه ارزیابی تابع می‌تواند به میزان قابل توجهی در هنگام ایجاد تغییرات ورودی بزرگ بین تکرارها افزایش یابد. ما همچنین فرض می‌کنیم که به صورت ناهمزمان کار می‌کنیم، به این معنی که قبل از پایان ارزیابی آزمایش‌های قبلی، باید در مورد جستارهای جدید تصمیم بگیریم. این مقاله به بررسی این مشکل می پردازد و “بهینه سازی بیزی متوالی از طریق نمونه های اتصال تطبیقی” (SnAKe) را معرفی می کند، که با در نظر گرفتن پرس و جوهای آینده و ایجاد پیشگیرانه مسیرهای بهینه سازی که هزینه های ورودی را به حداقل می رساند، راه حلی ارائه می دهد. ما برخی از ویژگی‌های همگرایی را بررسی می‌کنیم و به‌طور تجربی نشان می‌دهیم که الگوریتم قادر به دستیابی به پشیمانی مشابه الگوریتم‌های بهینه‌سازی بیزی کلاسیک در هر دو تنظیمات همزمان و ناهمزمان است، در حالی که هزینه‌های ورودی را به‌طور قابل‌توجهی کاهش می‌دهد(بهینه سازی بیزی با اکتشاف مسیر).

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: SnAKe: Bayesian Optimization with Pathwise Exploration

Abstract

Bayesian Optimization is a very effective tool for optimizing expensive black-box functions. Inspired by applications developing and characterizing reaction chemistry using droplet microfluidic reactors, we consider a novel setting where the expense of evaluating the function can increase significantly when making large input changes between iterations. We further assume we are working asynchronously, meaning we have to decide on new queries before we finish evaluating previous experiments. This paper investigates the problem and introduces ‘Sequential Bayesian Optimization via Adaptive Connecting Samples’ (SnAKe), which provides a solution by considering future queries and preemptively building optimization paths that minimize input costs. We investigate some convergence properties and empirically show that the algorithm is able to achieve regret similar to classical Bayesian Optimization algorithms in both the synchronous and asynchronous settings, while reducing the input costs significantly.