GP-UCB
PulseAugur coverage of GP-UCB — every cluster mentioning GP-UCB across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新研究探索先进的贝叶斯优化技术 · 跟踪 6 个来源
最近发表在 arXiv 上的研究探索了贝叶斯优化（BO）的进展，这是一种用于优化昂贵的黑盒函数的技术。几篇论文介绍了新的算法和理论框架，以提高 BO 的效率和适用性。一种方法 ELF-BO 利用评估延迟来实现全贝叶斯优化，而不会显著增加成本。其他工作侧重于多目标和多保真度 BO 的统一信息论方法、BO 算法的参数优化以及简化解释并减少非默认参数数量的默认感知策略。此外，研究还探讨了直接遗憾优化和时变 BO 的渐近性能。
-
新方法使用预取值（prequential e-values）为GP优化提供可审计的近最优性证书
研究人员开发了一种新方法，使用预取值（prequential e-values）为顺序黑盒函数优化中的近最优解创建可审计的证书。该方法解决了在认证结果之前，根据自适应评估调整高斯过程（GP）包络的常见做法，这种做法可能导致过度自信。通过用其自身的e-过程测试候选包络并消除被反驳的包络，该方法在特定条件下确保了随时有效性，显著降低了错误认证的风险，同时保持了效力。
-
新的FLIWBO方法通过自适应输入变换增强贝叶斯优化
研究人员开发了有限库输入变换贝叶斯优化（FLIWBO）方法，这是一种旨在提高高斯过程贝叶斯优化（GP-BO）在黑箱函数效率的新颖方法。传统的GP-BO方法在输入几何形状与核的假设不匹配时（例如对数缩放的超参数）常常遇到困难。FLIWBO通过从有限库中选择最优输入变换来解决这个问题，使其能够适应输入空间并加速学习，同时保持收敛保证。在包括超参数优化和多智能体系统设计在内的各种基准测试中的实验表明，FLIWBO在具有错误指定几何形状的场景…
-
新研究改进高斯过程老虎机优化技术 · 跟踪2个来源
arXiv上的两篇新研究论文探讨了高斯过程老虎机优化方面的进展。第一篇论文侧重于随时间变化的环境，提出了一种具有恒定探索参数的方法，以实现更优的遗憾界限。第二篇论文解决了并行高斯过程老虎机优化问题，展示了如何在不要求初始不确定性采样阶段的情况下，尤其是在无噪声设置中，实现更优的遗憾界限。
-
新的高斯过程方法优化时变奖励
研究人员开发了一种新颖的方法，用于在频率主义设置中优化时变奖励，解决了现有高斯过程老虎机算法的局限性。所提出的 W-SparQ-GP-UCB 方法通过注入不确定性来捕捉时间变化，从而能够自适应地回归到当前时间步。虽然在纯粹的老虎机设置中，对于时变目标来说，严格的无悔是无法实现的，但该算法通过最少数量的额外查询实现了无悔。理论分析为这些查询设定了下限，证明了该方法的效率，并将时间函数模式与可实现的悔率联系起来。
-
GP-UCB算法的次优性在新研究中揭示
一篇新发表在arXiv上的论文研究了高斯过程上限置信界（GP-UCB）算法的局限性。研究人员已经确定了其累积遗憾的上界，但这项工作探讨了GP-UCB是否真正具有minimax最优性。该研究为具有Matérn核的GP-UCB引入了一个新的遗憾下界，表明有效乐观度水平的多项式增长阻碍了最优遗憾率。
-
新研究推动优化与强化学习理论发展
研究人员开发了用于优化机器学习中决策过程的新理论框架。一篇论文介绍了基于后悔的贝叶斯优化停止准则，确保解以高概率在指定的ε-最优性范围内。另一项研究侧重于多项逻辑MDP的强化学习，提出了一种具有改进的最小极大最优后悔界限的算法。第三篇论文解决了折扣MDP中的风险敏感强化学习问题，在递归熵风险度量下提供了学习最优策略的样本复杂度界限。