Bayesian Optimization with Noise-Free Observations: Improved Regret Bounds via Random Exploration

要約

この論文では、ノイズのない観測によるベイズ最適化を研究します。
クエリ ポイントの充填距離が最適に近い速度で減衰することを保証するランダム探索ステップに依存する、散乱データ近似に基づいた新しいアルゴリズムを導入します。
私たちのアルゴリズムは、古典的な GP-UCB アルゴリズムの実装の容易さを維持し、arXiv:2002.05096 で推測されたものとほぼ一致する累積リグレス限界を満たしているため、COLT の未解決の問題を解決します。
さらに、新しいアルゴリズムは、いくつかの例で GP-UCB やその他の一般的なベイジアン最適化戦略よりも優れたパフォーマンスを示します。

要約(オリジナル)

This paper studies Bayesian optimization with noise-free observations. We introduce new algorithms rooted in scattered data approximation that rely on a random exploration step to ensure that the fill-distance of query points decays at a near-optimal rate. Our algorithms retain the ease of implementation of the classical GP-UCB algorithm and satisfy cumulative regret bounds that nearly match those conjectured in arXiv:2002.05096, hence solving a COLT open problem. Furthermore, the new algorithms outperform GP-UCB and other popular Bayesian optimization strategies in several examples.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google