Practical Path-based Bayesian Optimization

要約

化学工学や医薬品製造に応用されるデータ駆動型実験デザインへの関心が急増している。ベイズ最適化（BO）は、関心のある反応を高価なブラックボックス関数としてモデル化できるため、このようなケースに適応できることが証明されている。このブラックボックス関数のコストは、(a)実験そのもののコスト、(b)入力パラメータを変更するコスト、の2つに分けることができる。この短い論文では、SnAKeアルゴリズムを拡張し、両方のタイプのコストを同時に扱う。さらに、最大許容入力変更の場合や多目的設定への拡張を提案する。

要約(オリジナル)

There has been a surge in interest in data-driven experimental design with applications to chemical engineering and drug manufacturing. Bayesian optimization (BO) has proven to be adaptable to such cases, since we can model the reactions of interest as expensive black-box functions. Sometimes, the cost of this black-box functions can be separated into two parts: (a) the cost of the experiment itself, and (b) the cost of changing the input parameters. In this short paper, we extend the SnAKe algorithm to deal with both types of costs simultaneously. We further propose extensions to the case of a maximum allowable input change, as well as to the multi-objective setting.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL