Bayes optimizasyonu - Bayesian optimization

Bayes optimizasyonu bir sıralı tasarım için strateji küresel optimizasyon nın-nin siyah kutu fonksiyonlar[1] herhangi bir işlevsel biçim almamaktadır. Genellikle değerlendirilmesi pahalı fonksiyonları optimize etmek için kullanılır.

Tarih

Terim genellikle Jonas Mockus'a atfedilir ve çalışmalarında 1970'ler ve 1980'lerde küresel optimizasyon üzerine bir dizi yayından türetilmiştir.[2][3][4]

Strateji

Gauss süreçleri (mor) ile bir fonksiyonun (siyah) Bayes optimizasyonu. Altta üç edinim işlevi (mavi) gösterilir.[5]

Bayes optimizasyonu tipik olarak form problemlerinde kullanılır , nerede üyeliği kolayca değerlendirilebilen bir dizi puan. Bayes optimizasyonu, özellikle aşağıdaki problemler için avantajlıdır: değerlendirilmesi zordur, yapısı bilinen bir kara kutudur, 20'den az boyutları, ve nerede türevler değerlendirilmez.[6]

Amaç işlevi bilinmediğinden, Bayes stratejisi onu rastgele bir işlev olarak ele almak ve bir önceki üzerinde. Önceki, işlevin davranışı hakkındaki inançları yakalar. Veri olarak ele alınan işlev değerlendirmeleri toplandıktan sonra, önceki, arka dağıtım amaç işlevi üzerinde. Posterior dağıtım, sırayla, bir sonraki sorgu noktasını belirleyen bir edinim işlevi (genellikle dolgu örnekleme kriteri olarak da adlandırılır) oluşturmak için kullanılır.

Amaç işlevi üzerinden önceki / sonraki dağılımı tanımlamak için kullanılan birkaç yöntem vardır. En yaygın iki yöntem kullanır Gauss Süreçleri denilen bir yöntemde Kriging. Daha ucuz bir yöntem, 'yüksek' ve 'düşük' noktalar için iki dağıtım oluşturmak üzere Parzen-Ağaç Tahmincisini kullanır ve ardından beklenen gelişmeyi en üst düzeye çıkaran konumu bulur.[7]

Standart Bayes optimizasyonu her birine dayanır Değerlendirmesi kolay olması ve bu varsayımdan sapan problemler, egzotik Bayes optimizasyonu sorunlar. Gürültü olduğu biliniyorsa, değerlendirmeler paralel olarak yapılıyorsa, değerlendirmelerin kalitesi zorluk ve doğruluk arasındaki değiş tokuşa, rastgele çevresel koşulların varlığına bağlıysa veya değerlendirme türevleri içeriyorsa optimizasyon sorunları egzotik hale gelebilir.[6]

Örnekler

Edinme fonksiyonlarına örnek olarak iyileştirme olasılığı, beklenen iyileşme, Bayes beklenen kayıplar, üst güven sınırları (UCB), Thompson örneklemesi ve bunların melezleri.[8] Bunların tümü, işlev sorgularının sayısını en aza indirgemek için keşif ve sömürü arasında değiş tokuş yapar. Bu nedenle, Bayesian optimizasyonu, değerlendirilmesi pahalı olan işlevler için çok uygundur.

Çözüm yöntemleri

Edinme fonksiyonunun maksimum değeri, tipik olarak ayrıklaştırmaya başvurarak veya bir yardımcı optimize edici aracılığıyla bulunur. Edinme işlevleri tipik olarak iyi davranılır ve genellikle aşağıdakilerin uygulamalarıyla maksimize edilir: Newton Yöntemi gibi Broyden – Fletcher – Goldfarb – Shanno algoritması ya da Nelder-Mead yöntemi.

Başvurular

Yaklaşım çok çeşitli sorunları çözmek için uygulandı,[9] sıralamayı öğrenmek dahil,[10] bilgisayar grafikleri ve görsel tasarım,[11][12] robotik,[13][14][15][16] sensör ağları,[17][18] otomatik algoritma yapılandırması,[19] [20] otomatik makine öğrenme araç kutuları[21][22][23] pekiştirmeli öğrenme, planlama, görsel dikkat, mimari yapılandırma derin öğrenme statik program analizi, deneysel parçacık fiziği,[24][25] kimya, malzeme tasarımı ve ilaç geliştirme.[6][26][27]

Ayrıca bakınız

Referanslar

  1. ^ Jonas Mockus (2012). Küresel optimizasyona Bayes yaklaşımı: teori ve uygulamalar. Kluwer Academic.
  2. ^ Jonas Mockus: Ekstremumu Aramaya Yönelik Bayes Yöntemleri Üzerine. Optimizasyon Teknikleri 1974: 400-404
  3. ^ Jonas Mockus: Ekstremumu Aramaya Yönelik Bayes Yöntemleri ve Uygulamaları Üzerine. IFIP Kongresi 1977: 195-200
  4. ^ J. Mockus, Global Optimizasyona Bayesian Yaklaşımı. Kluwer Academic Publishers, Dordrecht, 1989
  5. ^ Wilson, Samuel (2019-11-22), ParBayesianOptimization R paketi, alındı 2019-12-12
  6. ^ a b c Frazier, I. Peter (2018-07-08). "Bayes Optimizasyonu Üzerine Bir Eğitim". arXiv: 1807.02811 [cs, math, stat].
  7. ^ J. S. Bergstra, R. Bardenet, Y. Bengio, B. Kégl: Hiper Parametre Optimizasyonu için Algoritmalar. Sinirsel Bilgi İşleme Sistemlerindeki Gelişmeler: 2546–2554 (2011)
  8. ^ Matthew W. Hoffman, Eric Brochu, Nando de Freitas: Bayes Optimizasyonu için Portföy Tahsisi. Yapay Zekada Belirsizlik: 327–336 (2011)
  9. ^ Eric Brochu, Vlad M. Cora, Nando de Freitas: Etkin Kullanıcı Modellemesi ve Hiyerarşik Güçlendirme Öğrenimine Uygulama ile Pahalı Maliyet Fonksiyonlarının Bayes Optimizasyonu Üzerine Bir Eğitim. CoRR abs / 1012.2599 (2010)
  10. ^ Eric Brochu, Nando de Freitas, Abhijeet Ghosh: Kesikli Seçim Verileriyle Aktif Tercihli Öğrenme. Sinirsel Bilgi İşleme Sistemlerindeki Gelişmeler: 409-416 (2007)
  11. ^ Eric Brochu, Tyson Brochu, Nando de Freitas: Prosedürel Animasyon Tasarımına Bayesian Etkileşimli Optimizasyon Yaklaşımı. Bilgisayar Animasyonu Sempozyumu 2010: 103–112
  12. ^ Yuki Koyama, Issei Sato, Daisuke Sakamoto, Takeo Igarashi: Kalabalıklar Tarafından Verimli Görsel Tasarım Optimizasyonu için Sıralı Satır Araması. Grafiklerde ACM İşlemleri, Cilt 36, Sayı 4, s.48: 1–48: 11 (2017). DOI: https://doi.org/10.1145/3072959.3073598
  13. ^ Daniel J. Lizotte, Tao Wang, Michael H. Bowling, Dale Schuurmans: Gauss Süreç Regresyonu ile Otomatik Yürüyüş Optimizasyonu. Uluslararası Yapay Zeka Ortak Konferansı: 944–949 (2007)
  14. ^ Ruben Martinez-Cantin, Nando de Freitas, Eric Brochu, Jose Castellanos ve Arnaud Doucet. Görsel olarak yönlendirilen bir mobil robotla optimum çevrimiçi algılama ve planlama için Bayesçi bir keşif-sömürü yaklaşımı. Otonom Robotlar. Cilt 27, Sayı 2, s. 93–103 (2009)
  15. ^ Scott Kuindersma, Roderic Grupen ve Andrew Barto. Stokastik Optimizasyon ile Değişken Risk Kontrolü. International Journal of Robotics Research, cilt 32, sayı 7, s. 806–825 (2013)
  16. ^ Roberto Calandra, André Seyfarth, Jan Peters ve Marc P. Deisenroth Belirsizlik altında öğrenme yürüyüşleri için Bayes optimizasyonu. Ann. Matematik. Artif. Zeka. Cilt 76, Sayı 1, ss 5-23 (2016) DOI: 10.1007 / s10472-015-9463-9
  17. ^ Niranjan Srinivas, Andreas Krause, Sham M. Kakade, Matthias W. Seeger: Haydut Ortamında Gauss Süreç Optimizasyonu için Bilgi-Teorik Pişmanlık Sınırları. Bilgi Teorisi üzerine IEEE İşlemleri 58 (5): 3250–3265 (2012)
  18. ^ Roman Garnett, Michael A. Osborne, Stephen J. Roberts: Sensör seti seçimi için Bayes optimizasyonu. ACM / IEEE Uluslararası Sensör Ağlarında Bilgi İşleme Konferansı: 209–219 (2010)
  19. ^ Frank Hutter, Holger Hoos ve Kevin Leyton-Brown (2011). Genel algoritma yapılandırması için sıralı model tabanlı optimizasyon, Öğrenme ve Akıllı Optimizasyon
  20. ^ J. Snoek, H. Larochelle, R.P. Adams Makine Öğrenimi Algoritmalarının Pratik Bayes Optimizasyonu. Sinirsel Bilgi İşleme Sistemlerindeki Gelişmeler: 2951-2959 (2012)
  21. ^ J. Bergstra, D. Yamins, D. D. Cox (2013).Hyperopt: Makine Öğrenimi Algoritmalarının Hiper Parametrelerini Optimize Etmek İçin Bir Python Kitaplığı.Proc. SciPy 2013.
  22. ^ Chris Thornton, Frank Hutter, Holger H.Hoos, Kevin Leyton-Brown: Otomatik WEKA: sınıflandırma algoritmalarının kombine seçimi ve hiperparametre optimizasyonu. KDD 2013: 847–855
  23. ^ Jasper Snoek, Hugo Larochelle ve Ryan Prescott Adams. Makine Öğrenimi Algoritmalarının Pratik Bayes Optimizasyonu. Sinirsel Bilgi İşleme Sistemlerindeki Gelişmeler, 2012
  24. ^ Philip Ilten, Mike Williams, Yunjie Yang. Bayes optimizasyonu kullanarak olay oluşturucu ayarı. 2017 JINST 12 P04028. DOI: 10.1088 / 1748-0221 / 12/04 / P04028
  25. ^ Evaristo Cisbani vd. Geleceğin Electron-Ion Çarpıştırıcısı için AI optimize edilmiş dedektör tasarımı: çift radyatörlü RICH kasa 2020 JINST 15 P05009. DOI: 10.1088 / 1748-0221 / 15/05 / P05009
  26. ^ Gomez-Bombarelli vd. Moleküllerin Veriye Dayalı Sürekli Temsilini Kullanan Otomatik Kimyasal Tasarım. ACS Central Science, Cilt 4, Sayı 2, 268-276 (2018)
  27. ^ Griffiths vd. Varyasyonel Otomatik Kodlayıcıları Kullanan Otomatik Kimyasal Tasarım için Sınırlandırılmış Bayes Optimizasyonu Kimya Bilimi: 11, 577-586 (2020)

Dış bağlantılar

  • GPyOpt, Bayesian Optimizasyonu için Python açık kaynak kitaplığı, GPy.
  • Bayesopt Python, Matlab ve Octave desteği ile C / C ++ 'da verimli bir uygulama.
  • Nane paralel ve küme hesaplamaya odaklanan bir Python uygulaması.
  • SMAC, genel algoritma yapılandırması için rasgele orman tabanlı Bayes optimizasyonunun bir Java uygulaması.
  • ParBayesianOptimizasyonu, Bayes optimizasyonunun R'de Gauss süreçleriyle yüksek performanslı, paralel uygulaması.
  • Pybo, modüler Bayes optimizasyonunun bir Python uygulaması.
  • Bayesopt.m, kısıtlamalarla veya kısıtlamalar olmadan Bayes optimizasyonunun bir Matlab uygulaması.
  • MOE MOE, Gauss Süreçleri kullanan Bayesian Global Optimization'ın bir Python / C ++ / CUDA uygulamasıdır.
  • SigOpt SigOpt, kurumsal kullanım durumlarına odaklanan bir SaaS hizmeti olarak Bayesian Global Optimizasyonu sunar.
  • Mind Foundry OPTaaS, esnek parametre kısıtlamaları olan web hizmetleri aracılığıyla Bayes Global Optimizasyonu sunar.
  • Bayeso, Bayes optimizasyonunun bir Python uygulaması.
  • BoTorch, Bayesian optimizasyon araştırması için modüler ve modern PyTorch tabanlı açık kaynaklı bir kitaplık GPyTorch.
  • GPflowOpt, Bayes optimizasyonu için TensorFlow tabanlı bir açık kaynak paketi.