botorch
PulseAugur coverage of botorch — every cluster mentioning botorch across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的非线性降维技术增强了贝叶斯优化
研究人员开发了用于贝叶斯优化的新型非线性降维技术，这是一种用于昂贵的黑盒函数的高效全局优化的方法。所提出的方法 SDR-LSBO 利用变分自编码器 (VAE) 创建结构化潜在流形，并将顺序域缩减直接集成到该潜在空间中。该方法在 BoTorch 中使用高斯过程代理实现，在基准测试中展示了改进的优化质量，特别是在非线性低维结构方面，并提供了一种分析潜在空间学习与表示差距之间权衡的方法。
-
发布新的 SpotOptim Python 包用于黑盒函数优化
SpotOptim Python 包已发布，为优化昂贵的黑盒函数提供了一个框架。它采用基于 Kriging 的方法和预期改进（Expected Improvement），支持各种变量类型、带噪声的评估和多目标优化。该包包含诸如基于成功率的重启机制以防止停滞等功能，并与 scikit-learn 兼容的代理模型集成。SpotOptim 还提供 TensorBoard 日志记录以进行实时监控，并与其他几个流行的优化工具进行了比较。
-
新的代理贝叶斯优化使用LLM作为核心决策者
研究人员引入了一种名为代理贝叶斯优化（BO）的新范式，该范式将大型语言模型（LLM）整合为BO循环内的核心决策者。该方法利用贝叶斯后端提供一个感知不确定性的优化基底，使LLM代理能够通过自然语言配置问题、选择评估和调整策略。该系统以Sara的形式实例化，其基于BoTorch的后端名为lenz，在各种基准测试中，尤其是在动态环境中，它能够即时重新配置优化问题，表现优于现有的基于LLM的方法和标准BO。
-
新的tidyHEBO模型增强了用于科学实验的贝叶斯优化
研究人员推出tidyHEBO，这是一种增强型贝叶斯优化模型，专为化学和材料科学等领域的有效实验而设计。该新模型建立在HEBO框架之上，改进了代理模型训练和选择策略等方面。在各种合成和真实世界数据集上进行基准测试，tidyHEBO展示了具有竞争力的性能和改进的鲁棒性，使其成为顺序实验的宝贵工具，并为贝叶斯优化的未来研究树立了基准。