标题
右上角菜单
登录
判定元件
研究收集
切换导航
右上菜单
登录
帮助
帮助
语言
德国
切换导航
搜索
查看项目
主页
期刊投稿
期刊文章
查看项目
主页
期刊投稿
期刊文章
查看项目
浏览器已禁用JavaScript。
没有它,此网站的某些功能可能无法运行。
研究收集
导航链接
搜索
具有未知超参数的无约束贝叶斯优化
门德利
CSV公司
RIS公司
BibTeX公司
下载
全文(已发布版本)(PDF,1009.Kb)
开放式访问
作者
费利克斯·伯克坎普
安吉拉·斯科利格(Angela P.Schoellig)。
安德烈亚斯·克劳斯
日期
2019
类型
期刊文章
引文
年被引用32次
Scopus公司
ETH参考文献
对
Altmetrics公司
下载
全文(已发布版本)(PDF,1009.Kb)
权利/许可
知识共享署名4.0国际
摘要
基于高斯过程模型的贝叶斯优化(Bayesian optimization,BO)是一种强大的范式,可以优化评估成本高昂的黑盒函数。
虽然一些BO算法可以证明收敛到未知函数的全局最优,但它们假设核的超参数是已知的
n提前。
实际情况并非如此,错误指定常常导致这些算法收敛到较差的局部最优解。
在本文中,我们提出了第一个BO算法,该算法在不知道超参数的情况下是可证明的无回归的并且收敛到最优的。
在优化过程中,我们缓慢地调整平稳核的超参数,从而随着时间的推移扩展相关函数类,以便BO算法考虑更复杂的候选函数。
基于理论见解,我们提出了几种实用算法,在保持理论收敛性的前提下,通过在线超参数估计实现BO的经验样本效率。
我们在几个基准问题上评估了我们的方法。
显示更多
永久链路
https://doi.org/10.3929/ethz-b-000337731
出版物状态
已发布
外部链接
http://www.jmlr.org/papers/v20/18-213.html
期刊/系列
机器学习研究杂志
体积
20
(50)
页码/文章编号。
50
出版商
麻省理工学院出版社
主题
贝叶斯优化;
未知超参数;
再生核希尔伯特空间(RKHS);
土匪;
没有遗憾
组织单位
03908-安德烈亚斯·克劳斯
基金
159557-在复杂约束(SNF)下使用高斯过程进行勘探开发
更多
显示所有元数据
引文
年被引用32次
Scopus公司
ETH参考文献
对
Altmetrics公司
显示下载统计信息
浏览
组织单位
出版物类型
作者
发布
新提交内容
统计
按国家/地区下载
最受欢迎的项目
最受欢迎的作者