Core Concepts
데이터 기반 사전 학습을 통해 가우시안 프로세스 대리 모델의 하이퍼파라미터를 더 잘 추정할 수 있으며, 특히 적은 수의 함수 평가에서 더 나은 성능을 보인다.
Abstract
이 논문은 베이지안 최적화(BO)에서 지식 전이를 위한 새로운 방법인 Prior Learning for Bayesian Optimisation(PLeBO)를 소개한다. 기존의 지식 전이 방법은 최적 입력값의 유사성을 가정하지만, PLeBO는 최적화 문제의 모양이 유사하다는 더 약한 가정을 사용한다.
PLeBO는 두 단계로 구성된다. 먼저 사전 처리 단계에서 마르코프 체인 몬테카를로(MCMC) 방법을 사용하여 이전 최적화 작업의 가우시안 프로세스 하이퍼파라미터 분포를 학습한다. 그 다음 최적화 단계에서는 이 학습된 사전 분포에서 샘플링한 하이퍼파라미터 후보들을 사용하여 획득 함수를 계산한다.
실험 결과, PLeBO는 합성 데이터와 대기 오염 최적화 문제에서 다른 지식 전이 방법보다 더 적은 함수 평가로 좋은 입력값을 찾을 수 있음을 보여준다. 또한 학습된 사전 분포가 실제 분포와 유사함을 확인하였다.
Stats
베이지안 최적화 문제에서 적은 수의 함수 평가로 더 좋은 입력값을 찾을 수 있다.
학습된 사전 분포가 실제 분포와 유사하다.
Quotes
"우리는 최적화 문제의 모양이 유사하다는 더 약한 가정을 사용한다."
"PLeBO는 두 단계로 구성된다: 사전 처리 단계에서 MCMC를 사용하여 이전 최적화 작업의 하이퍼파라미터 분포를 학습하고, 최적화 단계에서 이 학습된 사전 분포에서 샘플링한 하이퍼파라미터 후보들을 사용한다."