貝葉斯優化

登入

洞見 - 貝葉斯優化

本文提出了一種名為依賴結構搜索貝葉斯優化 (DSS-GP-UCB) 的新方法，用於優化高維度決策模型，特別是在獎勵稀疏或不完整的情況下。

本文提出了一種名為 InvBO 的新穎插件式模塊，用於解決潛在貝葉斯優化 (LBO) 中的對齊問題，並通過反演方法和潛在感知信任區域錨點選擇來增強其性能。

本文提出了一種名為 BABO 的新型貝葉斯優化方法，它可以利用已知目標函數最小值的先驗信息來提高優化效率。

本文提出了一種基於密度比估計和半監督學習的新型貝葉斯優化方法 (DRE-BO-SSL)，旨在解決監督式分類器在已知最佳解區域過度自信的問題，並透過利用未標記數據提升探索與開發的平衡性。

高維度離散序列貝葉斯優化在蛋白質工程和藥物設計等領域至關重要，但現有方法存在實驗設置差異大、可複製性差等問題，本研究通過開發統一框架和標準化基準測試函數來解決這些問題，並提供開源軟體庫以促進實際應用。

本文提出了一種名為 EARL-BO 的新型貝葉斯優化方法，該方法結合了注意力深度集編碼器、行動者-評論家強化學習和高斯過程虛擬環境，以解決高維空間中多步前瞻貝葉斯優化的挑戰。

本文提出了一種新的成本感知貝葉斯優化方法，稱為潘朵拉盒子吉廷斯指數 (PBGI)，它將貝葉斯優化與經濟學中的潘朵拉盒子問題聯繫起來，並通過實證證明了其在各種問題上的有效性，特別是在中等維度和高維度問題上。

本文提出了一種新的貝葉斯優化框架，用於解決存在轉移約束的優化問題，特別是在物理科學領域，例如化學反應器優化。該框架利用馬可夫決策過程來模擬轉移約束，並通過動態規劃或模型預測控制子程序來有效地解決這些問題。

本文提出了一種名為 TS-roots 的新型貝葉斯優化演算法，透過利用求根演算法有效地找到後驗樣本的全局最優解，從而顯著提升了貝葉斯優化的效率，特別是在高維度問題中。

本文旨在探討如何利用貝葉斯優化技術，有效地調整神經網路的超參數，以提升其在圖像分類任務上的性能表現。

關於我們

產品

資源