- Надежная многоцелевая байесовская система оптимизации с учетом неопределенности входных данных (arXiv)
Автор:Дж. Цин, И. Кукуйт, Т. Даэне
Аннотация. Байесовская оптимизация – популярный инструмент для оптимизации дорогостоящих целевых функций с эффективным использованием данных. В реальных приложениях, таких как инженерное проектирование, разработчик часто хочет учитывать несколько целей, а также входную неопределенность, чтобы найти набор надежных решений. Хотя это активная тема в однокритериальной байесовской оптимизации, она менее изучена в многокритериальном случае. Мы представляем новую байесовскую структуру оптимизации для эффективного выполнения многокритериальной оптимизации с учетом входной неопределенности. Мы предлагаем надежную модель гауссовского процесса для вывода байесовского критерия риска для количественной оценки надежности, а также разрабатываем двухэтапный байесовский процесс оптимизации для поиска надежной границы Парето. Полная структура поддерживает различные распределения входной неопределенности и в полной мере использует преимущества параллельных вычислений. Мы демонстрируем эффективность фреймворка с помощью числовых тестов.
2. Одна конфигурация, чтобы управлять ими всеми? На пути к передаче гиперпараметров в тематических моделях с использованием многоцелевой байесовской оптимизации (arXiv)
Автор:Сильвия Терраньи, Исмаил Харрандо, Паскуале Лисена, Рафаэль Тронси, Элизабетта Ферсини
Аннотация. Тематические модели — это статистические методы, которые извлекают базовые темы из коллекций документов. При моделировании тем пользователь обычно хочет, чтобы темы были согласованными, отличались друг от друга и представляли собой хорошие представления документов для последующих задач (например, классификации документов). В этой статье мы проводим многоцелевую гиперпараметрическую оптимизацию трех известных тематических моделей. Полученные результаты показывают противоречивый характер различных целей и то, что характеристики обучающего корпуса имеют решающее значение для выбора гиперпараметров, что позволяет предположить возможность переноса оптимальных конфигураций гиперпараметров между наборами данных.
3. Онлайн-байесовская оптимизация для сепаратора массы отдачи (arXiv)
Автор:С. А. Мискович, Ф. Монтес, Г. П. А. Берг, Ю. Блэкмон, К. А. Чиппс, М. Кудер, С. М. Дейбель, К. Германсен, А. А. Худ, Р. Джейн, Т. Руланд, Х. Шац, М. С. Смит, П. Цинтари, Л. Вагнер
Аннотация: SEparator for CApture Reactions (SECAR) представляет собой систему сепаратора отдачи нового поколения на Установке для пучков редких изотопов (FRIB), предназначенную для прямого измерения реакций захвата на нестабильных ядрах в инверсной кинематике. Чтобы максимизировать производительность этой системы, необходимо выполнить строгие требования к выравниванию луча по центральной оси луча и к ионно-оптическим настройкам. Этого может быть трудно достичь путем ручной настройки операторами, не оставляя систему в неоптимальном и невоспроизводимом состоянии. В этой работе мы представляем первую разработку онлайн-байесовской оптимизации с моделью гауссовского процесса для настройки ионного пучка через сепаратор отдачи ядерной астрофизики. Мы показываем, что этот метод достигает небольших входящих угловых отклонений (\textless 1 мрад) эффективным и воспроизводимым образом, что по крайней мере в три раза быстрее, чем стандартная ручная настройка. Кроме того, мы представляем байесовский метод экспериментальной оптимизации ионной оптики и показываем, что он подтверждает номинальные теоретические ионно-оптические настройки устройства и улучшает разделение масс на 32% для некоторых пучков.
4. Преобразование в график: эффективная байесовская оптимизация в смешанных пространствах (arXiv)
Автор:Джэён Ан, Тэхён Ким, Сеён Юн
Аннотация : Реальные задачи оптимизации, как правило, представляют собой не только проблемы черного ящика, но и включают смешанные типы входных данных, в которых сосуществуют дискретные и непрерывные переменные. Такая оптимизация в смешанном пространстве имеет основную проблему моделирования сложных взаимодействий между входными данными. В этой работе мы предлагаем новый, но простой подход, который влечет за собой использование структуры данных графа для моделирования лежащих в основе отношений между переменными, то есть переменных как узлов и взаимодействий, определяемых ребрами. Затем используется автоэнкодер вариационного графа для естественного учета взаимодействий. Сначала мы предоставляем эмпирические доказательства существования таких структур графа, а затем предлагаем совместную структуру изучения структуры графа и оптимизации скрытого пространства для адаптивного поиска оптимальной связности графа. Экспериментальные результаты показывают, что наш метод показывает замечательную производительность, превосходя существующие подходы со значительной вычислительной эффективностью для ряда синтетических и реальных задач.
