Core Concepts
Proposing a new method, Targeted Variance Reduction (TVR), for robust black-box optimization by leveraging joint acquisition over control and noise parameters.
Abstract
科学的なアプリケーションにおけるブラックボックスシミュレータの最適化は、不確かさを持つパラメータに対するロバストな最適化が重要である。既存の手法では、制御パラメータとノイズパラメータ間の相互作用を十分に活用していない。新しいBayesian最適化手法であるTargeted Variance Reduction (TVR)は、制御とノイズパラメータのジョイント獲得を通じて効果的なロバスト最適化を実現する。
TVRは、目的関数の分散削減をターゲットとし、望ましい改善領域内で目的関数の精度向上を図る。この新しい獲得関数は、制御とノイズパラメータの両方にわたってジョイント獲得を提供し、効果的なロバスト最適化に向けてフィットされた制御とノイズの相互作用をよりよく活用する。
TVR獲得は探索・活用・精度トレードオフを示し、探索・活用トレードオフを強調しつつも精度向上も促進する。これは強化学習における探索・活用トレードオフの新たな拡張であり、ロバストブラックボックス最適化における重要性が示されている。
TVRアルゴリズムは他の既存手法と比較して効果的であり、一連の数値実験や自動車ブレーキディスク設計への応用でその優れた性能が示されている。
Stats
TVR leverages joint acquisition over (x, θ).
TVR targets variance reduction on the objective within the desired region of improvement.
TVR reveals an exploration-exploitation-precision trade-off for robust black-box optimization.
Quotes
"Robust optimization aims to optimize the objective E[f(x, Θ)], where Θ ∼ P is a random variable that models uncertainty on θ."
"The TVR leverages a novel joint acquisition function over (x, θ), which targets variance reduction on the objective within the desired region of improvement."
"The TVR can further accommodate a broad class of non-Gaussian distributions on P via a careful integration of normalizing flows."