Expert-guided Bayesian Optimisation for Human-in-the-loop Experimental Design of Known Systems

要約

ドメインの専門家は、ベイズ最適化などの完全に自動化された意思決定プロセスでは見落とされる貴重な物理的洞察を持っていることがよくあります。
この記事では、人類学的意思決定理論と並行して高スループット (バッチ) ベイズ最適化を適用し、分野の専門家が最適な実験の選択に影響を与えられるようにします。
私たちの方法論は、人間は連続的な選択よりも離散的な選択を行う方が得意であるという仮説を活用し、専門家が重要な初期の決定に影響を与えることを可能にします。
各反復で、多数の代替ソリューションにわたる拡張多目的最適化問題を解き、それらの効用関数値の合計と、それらの総変動に相当する共分散行列の行列式の両方を最大化します。
パレート フロントのニーポイントでの解を取得することにより、高い利用価値を持ち、合理的に区別できる代替解のセットが反復ごとに返されます。専門家はそこから評価用に 1 つを選択します。
知識のない専門家の場合でも、私たちのアルゴリズムが標準的なベイジアン最適化の後悔を回復できることを実証します。

要約(オリジナル)

Domain experts often possess valuable physical insights that are overlooked in fully automated decision-making processes such as Bayesian optimisation. In this article we apply high-throughput (batch) Bayesian optimisation alongside anthropological decision theory to enable domain experts to influence the selection of optimal experiments. Our methodology exploits the hypothesis that humans are better at making discrete choices than continuous ones and enables experts to influence critical early decisions. At each iteration we solve an augmented multi-objective optimisation problem across a number of alternate solutions, maximising both the sum of their utility function values and the determinant of their covariance matrix, equivalent to their total variability. By taking the solution at the knee point of the Pareto front, we return a set of alternate solutions at each iteration that have both high utility values and are reasonably distinct, from which the expert selects one for evaluation. We demonstrate that even in the case of an uninformed practitioner, our algorithm recovers the regret of standard Bayesian optimisation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google