Towards safe Bayesian optimization with Wiener kernel regression

要約

ベイジアン最適化 (BO) は、確率的サロゲート モデルに基づいてブラック ボックス関数を最小化/最大化するためのデータ駆動型戦略です。
安全制約が存在する場合、BO のパフォーマンスは、代理モデルを取り巻く不確実性に関連する厳密な確率的誤差限界に大きく依存します。
ガウス過程サロゲートとガウス測定ノイズの場合、最近提案されたウィナー カーネル回帰に基づいた新しい誤差限界を提示します。
かなり穏やかな仮定の下で、提案された誤差限界は、以前に文献に記載された限界よりも厳しく、安全領域の拡大につながることを証明します。
数値例を利用して、安全な BO で提案されている誤差限界の有効性を示します。

要約(オリジナル)

Bayesian Optimization (BO) is a data-driven strategy for minimizing/maximizing black-box functions based on probabilistic surrogate models. In the presence of safety constraints, the performance of BO crucially relies on tight probabilistic error bounds related to the uncertainty surrounding the surrogate model. For the case of Gaussian Process surrogates and Gaussian measurement noise, we present a novel error bound based on the recently proposed Wiener kernel regression. We prove that under rather mild assumptions, the proposed error bound is tighter than bounds previously documented in the literature which leads to enlarged safety regions. We draw upon a numerical example to demonstrate the efficacy of the proposed error bound in safe BO.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google