Adam D.布尔。 高效全局优化算法的收敛速度。 （英语） Zbl 1280.90094号 J.马赫。学习。物件。 128879-2904（2011年）. 摘要：在有效的全局优化问题中，我们使用尽可能少的观测值来最小化未知函数（f）。它可以被认为是一个连续的有警报的宽带问题，有无声的数据和简单的遗憾。预期改进算法可能是解决问题的最流行方法；在本文中，我们提供了关于它们渐近行为的理论结果。实现这些算法需要选择高斯过程先验，这决定了函数的相关空间，即再生核希尔伯特空间（RKHS）。当先验值固定时，已知预期改进收敛于其RKHS中任何函数的最小值。我们提供了该过程的收敛速度，对低平滑度函数是最优的，并描述了一种改进的算法，以获得平滑度函数的最优速度。然而，实际上，先验通常是根据数据按顺序估计的。对于标准估计量，我们表明此过程可能永远不会找到\（f \）的最小值。然后我们提出了替代估计，选择这些估计来最小化收敛速度中的常数，并表明这些估计保持了固定先验的收敛速度。 引用于47文件 MSC公司： 90C26型 非凸规划，全局优化 60G15年 高斯过程 6220国集团 非参数推理的渐近性质 关键词：收敛速度；高效全局优化；预期改进；连环武装匪徒；贝叶斯优化 PDF格式BibTeX公司 XML格式引用 \textit{A.D.Bull}，J.Mach。学习。第12号决议，2879--2904（2011年；Zbl 1280.90094） 全文： arXiv公司 链接