Meta-Learning Priors for Safe Bayesian Optimization

要約

ロボット工学では、安全制約の下でコントローラーのパラメーターを最適化することが重要な課題です。
安全なベイジアン最適化 (BO) は、目的と制約の不確実性を定量化し、そのような設定での探索を安全に導きます。
ただし、適切な確率モデルを手動で設計するのは困難な場合があります。
未知の安全制約が存在する場合、安全違反を回避するために信頼できるモデルのハイパーパラメーターを選択することが重要です。
ここでは、オフライン データから安全な BO を実現するための事前メタ学習による、この問題に対するデータ駆動型のアプローチを提案します。
当社は、データ不足の状況において信頼性の高い不確実性の定量化を提供できるメタ学習アルゴリズム F-PACOH を基盤としています。
中心的な貢献として、経験的な不確実性メトリクスとフロンティア探索アルゴリズムを介して、データに基づいた方法で安全準拠の事前確率を選択するための新しいフレームワークを開発します。
ベンチマーク関数と高精度モーション システムに関して、メタ学習された事前分布が安全性を維持しながら安全な BO アプローチの収束を加速することを実証します。

要約(オリジナル)

In robotics, optimizing controller parameters under safety constraints is an important challenge. Safe Bayesian optimization (BO) quantifies uncertainty in the objective and constraints to safely guide exploration in such settings. Hand-designing a suitable probabilistic model can be challenging, however. In the presence of unknown safety constraints, it is crucial to choose reliable model hyper-parameters to avoid safety violations. Here, we propose a data-driven approach to this problem by meta-learning priors for safe BO from offline data. We build on a meta-learning algorithm, F-PACOH, capable of providing reliable uncertainty quantification in settings of data scarcity. As core contribution, we develop a novel framework for choosing safety-compliant priors in a data-riven manner via empirical uncertainty metrics and a frontier search algorithm. On benchmark functions and a high-precision motion system, we demonstrate that our meta-learned priors accelerate the convergence of safe BO approaches while maintaining safety.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google