Core Concepts
BOとSAEAの間でのモデル不確実性の利用方法とその影響を明らかにする。
Abstract
黒箱最適化問題は、内部機能へのアクセスなしで入出力相互作用を通じて最適化が必要。
BOとSAEAは、サロゲートモデルを使用して探索プロセスを誘導することで効率的な黒箱最適化を実現。
ボトムアップアプローチによる新しいモデル支援戦略が提案され、提案手法は精度と効率性において主流のBOアルゴリズムを上回ることが示された。
黒箱最適化問題
黒箱関数f: Rn →Rは勾配情報へのアクセスがなく、評価ごとに高い計算リソースが必要。
目的は、可能な限り少ない評価で最適解x∗を見つけること。
BOフレームワーク
BOでは観測データポイントの初期設定から始まり、サロゲートモデルを構築し、獲得関数によって次のサンプリングポイントxnextを特定する。
GPモデルはRFモデルよりも関数フィッティングで優れており、正確な不確実性推定が重要。
SAEAフレームワーク
SAEAでは集団PからN個体を初期設定し、MはD上でトレーニングされてフィットネスランドスケープを近似する。
RF-UEDAはGP-UEDAよりも優れたパフォーマンスを示し、すべてのBOおよびEAsよりも優れた結果を収めた。
Stats
この研究では30回の独立した実行が行われました。
最大評価予算:500。
低次元問題(n=20)ではGPsおよびXGBoost支援UEDAsがRFよりも効果的であることが示されました。
Quotes
"Surrogate models are integral to both BO and SAEA, serving as replacements for computationally expensive black-box functions."
"Accurate function fitting is fundamental to the operation of BO, while a reliable assessment of uncertainty is crucial for the accurate search of the acquisition function."