MONGOOSE: Path-wise Smooth Bayesian Optimisation via Meta-learning

要約

ベイジアン最適化では、現実世界の物理システムで発生するブラック ボックスの目的関数を最小化しようとすることがよくあります。
このようなブラック ボックスの目的関数を評価するコストの主な要因は、多くの場合、システムを測定用に準備するために必要な労力です。
連続する評価間の距離が長くなるにつれて準備コストが増加するという一般的なシナリオを考えます。
この設定では、スムーズな最適化軌道が優先され、標準的な近視眼的 (つまり、1 ステップ最適) ベイジアン最適化手法によって生成された不安定なパスは最適ではありません。
当社のアルゴリズム MONGOOSE は、メタ学習パラメトリック ポリシーを使用してスムーズな最適化軌道を生成し、移動コストが大きい関数を最適化する際に既存の方法よりもパフォーマンスを向上させます。

要約(オリジナル)

In Bayesian optimisation, we often seek to minimise the black-box objective functions that arise in real-world physical systems. A primary contributor to the cost of evaluating such black-box objective functions is often the effort required to prepare the system for measurement. We consider a common scenario where preparation costs grow as the distance between successive evaluations increases. In this setting, smooth optimisation trajectories are preferred and the jumpy paths produced by the standard myopic (i.e.\ one-step-optimal) Bayesian optimisation methods are sub-optimal. Our algorithm, MONGOOSE, uses a meta-learnt parametric policy to generate smooth optimisation trajectories, achieving performance gains over existing methods when optimising functions with large movement costs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google