НОВОСТЬ · RESEARCH · #162
Converge-Then-Diversify (CTD): Разделение сходимости и разнообразия в многоцелевой баесовской оптимизации
Статья на arXiv (cs.AI) предлагает Converge-Then-Diversify (CTD) — двухэтапный подход для многоцелевой баесовской оптимизации: сначала быстрый выход к точке на фронте Парето, затем расширение множества решений для увеличения разнообразия. Авторы приводят два простых варианта CTD на основе общих функций приобретения и сообщают, что в 446 парных сравнениях CTD статистически превосходит соперников в 72.9% случаев, равноценен в 21.1% и уступает в 6.1%, с особенно заметным преимуществом при очень ограниченных бюджетах оценок или в задачах высокой размерности.
КЛЮЧЕВЫЕ ТЕЗИСЫ
- Статья на arXiv (cs.AI) предлагает Converge-Then-Diversify (CTD) — двухэтапный подход для многоцелевой баесовской оптимизации: сначала быстрый выход к точке на фронте Парето, затем расширение множества решений для увеличения разнообразия.
- Авторы приводят два простых варианта CTD на основе общих функций приобретения и сообщают, что в 446 парных сравнениях CTD статистически превосходит соперников в 72.9% случаев, равноценен в 21.1% и уступает в 6.1%, с особенно заметным преимуществом при очень ограниченных бюджетах оценок или в задачах высокой размерности.
- Разделение задач сходимости и разнообразия может существенно улучшить результаты MOBO при ограниченном числе оценок или в высокоразмерных задачах, что важно для дорогостоящей оптимизации «черного ящика» в машинном обучении и инженерии.
ПОЧЕМУ ЭТО ВАЖНО
Разделение задач сходимости и разнообразия может существенно улучшить результаты MOBO при ограниченном числе оценок или в высокоразмерных задачах, что важно для дорогостоящей оптимизации «черного ящика» в машинном обучении и инженерии.