Core Concepts
다양한 분야의 문제에서 비용이 많이 드는 검색 목적 함수를 최적화하기 위해, 본 논문은 현재 작업의 최적 값 정보와 미래 작업에 전이 가능한 정보를 균형있게 수집하는 새로운 정보 이론 기반 획득 함수를 제안한다.
Abstract
이 논문은 다중 충실도 베이지안 최적화 문제를 다룬다. 다양한 분야의 문제에서 비용이 많이 드는 검색 목적 함수를 최적화해야 하는 경우가 있다. 예를 들어 기계 학습 모델의 하이퍼파라미터 튜닝, 안테나 설계, 자원 할당 등이 있다. 이를 위해 저비용의 근사 함수를 사용할 수 있다.
기존의 다중 충실도 베이지안 최적화 전략은 현재 작업의 최적 값 정보 획득에 초점을 맞추었다. 그러나 실제 상황에서는 연속적인 최적화 작업이 수행되므로, 미래 작업에 전이 가능한 정보를 수집하는 것이 중요하다.
이 논문은 현재 작업의 최적 값 정보와 미래 작업에 전이 가능한 정보를 균형있게 수집하는 새로운 정보 이론 기반 획득 함수를 제안한다. 이를 위해 작업 간 공유되는 잠재 변수를 도입하고, 베이지안 방식으로 이를 업데이트한다. 실험 결과 제안 방식이 충분한 수의 작업이 처리된 이후부터 최적화 효율을 크게 향상시킬 수 있음을 보여준다.
Stats
다양한 분야의 문제에서 비용이 많이 드는 검색 목적 함수를 최적화해야 한다.
저비용의 근사 함수를 사용할 수 있다.
연속적인 최적화 작업이 수행되므로, 미래 작업에 전이 가능한 정보를 수집하는 것이 중요하다.
Quotes
"다양한 분야의 문제에서 비용이 많이 드는 검색 목적 함수를 최적화해야 한다."
"연속적인 최적화 작업이 수행되므로, 미래 작업에 전이 가능한 정보를 수집하는 것이 중요하다."