Discovering Many Diverse Solutions with Bayesian Optimization

要約

タイトル：ベイジアン最適化による多様な解の発見
要約：

ベイジアン最適化（BO）は、ブラックボックス目的関数のサンプル効率の良い最適化のための人気のある手法です。BOは、さまざまな科学的アプリケーションに成功裏に適用されています。しかし、従来の単一目的BOアプローチは、単一の最適解を見つけることしか目的としていません。これは、後で解が不可能になる場合に重大な制限になる可能性があります。例えば、設計された分子が最適化プロセスが終了した後に合理的に評価できる制約を破る可能性がある場合です。この問題に対処するために、我々は、ユーザー指定の多様性メトリックに従って多数の高性能なソリューションのポートフォリオを見つけることを目的としたRank-Ordered Bayesian Optimization with Trust-regions（ROBOT）を提案しました。我々は、ROBOTをいくつかの実世界のアプリケーションで評価し、単一の最適解を見つける場合に比べてわずかな追加関数評価しか必要とせずに高性能で多様なソリューションの大規模なセットを発見できることを示しました。

要約(オリジナル)

Bayesian optimization (BO) is a popular approach for sample-efficient optimization of black-box objective functions. While BO has been successfully applied to a wide range of scientific applications, traditional approaches to single-objective BO only seek to find a single best solution. This can be a significant limitation in situations where solutions may later turn out to be intractable. For example, a designed molecule may turn out to violate constraints that can only be reasonably evaluated after the optimization process has concluded. To address this issue, we propose Rank-Ordered Bayesian Optimization with Trust-regions (ROBOT) which aims to find a portfolio of high-performing solutions that are diverse according to a user-specified diversity metric. We evaluate ROBOT on several real-world applications and show that it can discover large sets of high-performing diverse solutions while requiring few additional function evaluations compared to finding a single best solution.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI