Inducing Point Allocation for Sparse Gaussian Processes in High-Throughput Bayesian Optimisation

要約

スパース ガウス過程は、高スループットのベイジアン最適化 (BO) ループの重要なコンポーネントです。
ただし、誘導ポイントを割り当てるための既存の方法は、最適化のパフォーマンスを大幅に妨げることを示しています。
Determinantal Point Processes の品質多様性分解を活用することにより、BO で使用するために特別に設計された最初の誘導点割り当て戦略を提案します。
目的関数のグローバルな不確実性を減らすことだけを追求する既存の方法とは異なり、私たちのアプローチは、正確な最適化に必要な有望な地域の局所的な高忠実度モデリングを提供します。
より一般的には、提案されたフレームワークが疎なモデルにモデリング能力を割り当てる柔軟な方法を提供し、下流の一連の意思決定タスクの幅広い範囲に適していることを示します。

要約(オリジナル)

Sparse Gaussian Processes are a key component of high-throughput Bayesian Optimisation (BO) loops; however, we show that existing methods for allocating their inducing points severely hamper optimisation performance. By exploiting the quality-diversity decomposition of Determinantal Point Processes, we propose the first inducing point allocation strategy designed specifically for use in BO. Unlike existing methods which seek only to reduce global uncertainty in the objective function, our approach provides the local high-fidelity modelling of promising regions required for precise optimisation. More generally, we demonstrate that our proposed framework provides a flexible way to allocate modelling capacity in sparse models and so is suitable broad range of downstream sequential decision making tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google